| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究的目的和意义 | 第10页 |
| 1.2 滚动轴承故障诊断研究现状 | 第10-14页 |
| 1.2.1 滚动轴承故障检测方法研究现状 | 第11-12页 |
| 1.2.2 滚动轴承故障非监督特征提取方法研究现状 | 第12-13页 |
| 1.2.3 滚动轴承故障识别方法研究现状 | 第13-14页 |
| 1.3 本文研究内容 | 第14-16页 |
| 第2章 基于模糊信息粒化与高阶谱分析的滚动轴承故障检测 | 第16-28页 |
| 2.1 高阶谱分析基本原理 | 第16-18页 |
| 2.1.1 高阶累计量理论 | 第16-17页 |
| 2.1.2 双谱估计 | 第17-18页 |
| 2.2 基于模糊信息粒化与高阶谱分析的滚动轴承故障检测 | 第18-24页 |
| 2.2.1 模糊信息粒化基本原理 | 第18-19页 |
| 2.2.2 基于粒化双谱熵的故障检测方法 | 第19-22页 |
| 2.2.3 信息粒化的关键参数设计 | 第22-24页 |
| 2.3 本文所提故障检测方法实验分析 | 第24-27页 |
| 2.3.1 粒化后的双谱分析结果 | 第24-26页 |
| 2.3.2 基于粒化双谱熵的故障检测实验分析 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于深度极限学习机的滚动轴承故障特征提取与分类 | 第28-40页 |
| 3.1 极限学习机算法 | 第28-31页 |
| 3.1.1 极限学习机基本理论 | 第28-31页 |
| 3.1.2 极限学习机自编码器原理 | 第31页 |
| 3.2 基于粒化双谱图和深度极限学习机的故障特征提取方法 | 第31-34页 |
| 3.2.1 深度极限学习机自编码器 | 第32-33页 |
| 3.2.2 基于粒化双谱图和深度极限学习机的故障特征提取 | 第33-34页 |
| 3.3 滚动轴承故障特征提取实验分析 | 第34-39页 |
| 3.3.1 基于原始信号的极限学习机深度学习实验分析 | 第35-37页 |
| 3.3.2 基于粒化双谱图的极限学习机深度学习实验分析 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于稀疏自编码器和随机森林的滚动轴承故障特征提取与分类 | 第40-56页 |
| 4.1 稀疏自编码器算法 | 第40-44页 |
| 4.1.1 稀疏自编码器基本理论 | 第40-42页 |
| 4.1.2 基于稀疏自编码器的轴承故障特征表达 | 第42-44页 |
| 4.2 基于信息粒化与稀疏自编码器的并行结构特征提取方法 | 第44-48页 |
| 4.2.1 基于模糊信息粒化与稀疏自编码器并行结构的构建 | 第44-46页 |
| 4.2.2 并行结构的关键参数设计 | 第46-48页 |
| 4.3 基于随机森林的轴承故障识别方法 | 第48-50页 |
| 4.1.1 随机森林的理论概述 | 第48-49页 |
| 4.1.2 随机森林构建过程 | 第49页 |
| 4.1.3 基于随机森林的轴承故障特征融合分类 | 第49-50页 |
| 4.4 滚动轴承故障特征提取实验分析 | 第50-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第5章 两种诊断方法在滚动轴承故障诊断中的应用 | 第56-63页 |
| 5.1 基于FIG、双谱图、DELM-AE的滚动轴承故障诊断 | 第56-59页 |
| 5.1.1 故障诊断方法 | 第56-57页 |
| 5.1.2 滚动轴承故障诊断结果及分析 | 第57-59页 |
| 5.2 基于FIG、SAE、RF的滚动轴承故障诊断 | 第59-61页 |
| 5.2.1 故障诊断方法 | 第59-60页 |
| 5.2.2 滚动轴承故障诊断结果及分析 | 第60-61页 |
| 5.3 本章小结 | 第61-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第69-70页 |
| 致谢 | 第70页 |
