| 摘要 | 第1-7页 |
| Abstract | 第7-10页 |
| 主要符号表 | 第10-11页 |
| 第1章 绪论 | 第11-17页 |
| ·故障检测与预测技术研究背景及意义 | 第11-12页 |
| ·故障检测与预测技术研究发展现状 | 第12-15页 |
| ·时间序列多维时频特征提取的优势 | 第12-13页 |
| ·故障检测与预测技术的国内外研究现状 | 第13-15页 |
| ·故障检测与预测技术的发展趋势 | 第15页 |
| ·主要研究内容及研究目标 | 第15-17页 |
| 第2章 观测序列的时频特征分析和提取 | 第17-37页 |
| ·时间序列特征提取——小波熵 | 第17-31页 |
| ·小波分析 | 第17-26页 |
| ·信息熵的提出及分类 | 第26-30页 |
| ·小波 Shannon 熵 | 第30-31页 |
| ·时间序列特征提取——小波包双谱 | 第31-33页 |
| ·小波包分析 | 第31-32页 |
| ·高阶谱的提出及选择 | 第32-33页 |
| ·小波包双谱 | 第33页 |
| ·滚动轴承振动信号多特征提取仿真实例 | 第33-36页 |
| ·本章小结 | 第36-37页 |
| 第3章 基于特征的故障检测阈值估计 | 第37-41页 |
| ·序列熵值的提取 | 第37-38页 |
| ·基于序列重心熵值的阈值估计 | 第38-39页 |
| ·刀具磨损状态阈值估计仿真实例 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 支持向量机故障预测模型的建立 | 第41-59页 |
| ·支持向量机 | 第41-47页 |
| ·支持向量机趋势预测 | 第41-42页 |
| ·支持向量机的回归算法 | 第42-45页 |
| ·最小二乘支持向量机 | 第45-47页 |
| ·故障预测模型的建立 | 第47-49页 |
| ·预测模型输入输出的确定 | 第47-48页 |
| ·预测模型输入输出的确定 | 第48-49页 |
| ·不同预测模型的比较 | 第49-54页 |
| ·BP 神经网络预测模型 | 第49-51页 |
| ·不同输入的最小二乘支持向量机预测模型 | 第51-52页 |
| ·模型的精度计算及比较 | 第52-54页 |
| ·故障检测的实现 | 第54页 |
| ·刀具磨损状态预测建模仿真实例 | 第54-58页 |
| ·本章小结 | 第58-59页 |
| 第5章 时间序列多维时频特征提取的故障预测与检测系统设计 | 第59-62页 |
| ·系统演示模块 | 第59-61页 |
| ·序列的多维特征提取 | 第59-60页 |
| ·故障预测及检测 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 附录Ⅰ特征提取、故障预测及检测程序清单 | 第64-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第71页 |