| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 滚动轴承故障诊断系统的研究背景及意义 | 第8-9页 |
| 1.2 滚动轴承故障诊断系统的研究现状及发展趋势 | 第9-10页 |
| 1.3 小波变换和神经网络在轴承故障诊断中的研究现状 | 第10-13页 |
| 1.3.1 小波变换的发展和研究现状 | 第11-12页 |
| 1.3.2 神经网络的发展和研究现状 | 第12-13页 |
| 1.4 本文的主要研究内容 | 第13-15页 |
| 第二章 相关知识 | 第15-28页 |
| 2.1 滚动轴承故障诊断系统 | 第15-18页 |
| 2.1.1 滚动轴承的基本结构 | 第15页 |
| 2.1.2 滚动轴承故障振动信号特征 | 第15-17页 |
| 2.1.3 滚动轴承故障诊断系统的基本流程 | 第17-18页 |
| 2.2 小波变换的基本理论 | 第18-24页 |
| 2.2.1 多分辨分析 | 第18-19页 |
| 2.2.2 连续小波变换 | 第19-21页 |
| 2.2.3 离散小波变换及Mallat算法 | 第21-24页 |
| 2.3 人工神经网络的基本结构和学习方式 | 第24-27页 |
| 2.3.1 人工神经元的模型 | 第24-25页 |
| 2.3.2 人工神经网络的结构与特点 | 第25页 |
| 2.3.3 人工神经网络的学习方式 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 小波软阈值故障信号消噪方法 | 第28-41页 |
| 3.1 引言 | 第28页 |
| 3.2 问题描述 | 第28-29页 |
| 3.3 几种小波去噪方法 | 第29-39页 |
| 3.3.1 小波变换模极大去噪 | 第29-33页 |
| 3.3.2 小波变换相关性去噪 | 第33-35页 |
| 3.3.3 小波变换阈值去噪 | 第35-38页 |
| 3.3.4 几种小波去噪方法的比较 | 第38-39页 |
| 3.4 基于小波软阈值法的轴承故障信号消噪 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 小波能量谱故障特征提取方法 | 第41-52页 |
| 4.1 小波分解单层重构算法及频率混淆 | 第41-47页 |
| 4.2 改进的小波分解单层重构算法 | 第47-48页 |
| 4.3 小波能量谱故障特征提取方法 | 第48-49页 |
| 4.4 主成分分析(PCA) | 第49-50页 |
| 4.5 仿真实验 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 概率神经网络故障特征识别方法 | 第52-60页 |
| 5.1 概率神经网络(PNN) | 第52-53页 |
| 5.2 改进的概率神经网络 | 第53-55页 |
| 5.2.1 LVQ2训练算法 | 第53-55页 |
| 5.2.2 改进的概率神经网络 | 第55页 |
| 5.3 基于改进概率神经网络的故障特征识别 | 第55页 |
| 5.4 仿真实验 | 第55-59页 |
| 5.5 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 作者简介、发表文章及研究成果目录 | 第66-68页 |
| 致谢 | 第68-69页 |