| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-24页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 滚动轴承故障诊断方法及研究现状 | 第11-15页 |
| 1.2.1 滚动轴承故障诊断方法 | 第11-12页 |
| 1.2.2 国外研究现状 | 第12-14页 |
| 1.2.3 国内研究现状 | 第14-15页 |
| 1.3 滚动轴承振动信号处理方法概述 | 第15-21页 |
| 1.3.1 时域信号分析方法 | 第15-16页 |
| 1.3.2 频域信号分析方法 | 第16-18页 |
| 1.3.3 时频域信号分析方法 | 第18-21页 |
| 1.4 机械故障类型识别方法 | 第21-22页 |
| 1.4.1 基于神经网络的模式识别方法 | 第21页 |
| 1.4.2 基于支持向量机的模式识别方法 | 第21页 |
| 1.4.3 基于聚类分析的模式识别方法 | 第21-22页 |
| 1.4.4 基于极限学习机的模式识别方法 | 第22页 |
| 1.5 主要研究内容及章节安排 | 第22-24页 |
| 2 基于小波分析的滚动轴承振动信号处理方法 | 第24-40页 |
| 2.1 引言 | 第24页 |
| 2.2 小波变换及小波包变换 | 第24-29页 |
| 2.2.1 多分辨率分析定义 | 第25-26页 |
| 2.2.2 小波变换基本原理 | 第26-27页 |
| 2.2.3 小波包变换基本原理 | 第27-29页 |
| 2.3 小波包变换的改进算法 | 第29-32页 |
| 2.3.1 第二代小波包变换基本原理 | 第29-30页 |
| 2.3.2 双树复小波包变换基本原理 | 第30-32页 |
| 2.4 双树复小波包的特性分析 | 第32-39页 |
| 2.4.1 抑制频带混叠特性 | 第32-36页 |
| 2.4.2 平移不变特性 | 第36-39页 |
| 2.5 本章小结 | 第39-40页 |
| 3 基于改进的DTCWPT的滚动轴承特征提取方法 | 第40-50页 |
| 3.1 引言 | 第40页 |
| 3.2 改进的双树复小波变换的基本原理 | 第40-42页 |
| 3.3. 滚动轴承仿真信号实验验证 | 第42-48页 |
| 3.4 本章小结 | 第48-50页 |
| 4 基于在线极限学习机(OS-ELM)的模式识别方法 | 第50-60页 |
| 4.1 引言 | 第50页 |
| 4.2 单隐含层前馈神经网络 | 第50-53页 |
| 4.2.1 单隐含层前馈神经网络基本概念 | 第50-51页 |
| 4.2.2 单隐含层前馈神经网络的学习算法 | 第51-53页 |
| 4.3 极限学习机算法 | 第53-55页 |
| 4.4 在线极限学习机 | 第55-58页 |
| 4.5 本章小结 | 第58-60页 |
| 5 滚动轴承故障特征提取和模式识别方法的实验验证 | 第60-70页 |
| 5.1 引言 | 第60页 |
| 5.2 滚动轴承实际振动信号介绍 | 第60-61页 |
| 5.3 基于改进的DTCWPT特征提取方法实验验证 | 第61-66页 |
| 5.4 基于在线极限学习机(OS-ELM)的模式识别方法实验验证 | 第66-69页 |
| 5.5 本章小结 | 第69-70页 |
| 6 总结与展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第76-80页 |
| 学位论文数据集 | 第80页 |
