| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 列车关键零部件状态监测技术研究现状 | 第11-12页 |
| 1.3 滚动轴承故障特征提取技术研究进展 | 第12-16页 |
| 1.3.1 时域统计特征 | 第12-13页 |
| 1.3.2 频域特征 | 第13-14页 |
| 1.3.3 时频域分析 | 第14-15页 |
| 1.3.4 智能分类 | 第15-16页 |
| 1.4 论文主要研究内容及结构安排 | 第16-18页 |
| 第2章 技术背景 | 第18-26页 |
| 2.1 引言 | 第18页 |
| 2.2 稀疏表示理论 | 第18-23页 |
| 2.2.1 冗余字典构造 | 第19-21页 |
| 2.2.2 稀疏求解算法 | 第21-23页 |
| 2.3 支持向量机 | 第23-25页 |
| 2.3.1 支持向量机算法 | 第23-24页 |
| 2.3.2 粒子群优化算法 | 第24页 |
| 2.3.3 基于粒子群优化的支持向量机算法 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于K-SVD和HBW-OOMP的轴箱轴承故障特征提取方法研究 | 第26-40页 |
| 3.1 引言 | 第26页 |
| 3.2 稀疏系数求取 | 第26-28页 |
| 3.3 故障诊断模型 | 第28-29页 |
| 3.4 实验研究及结果分析 | 第29-39页 |
| 3.4.1 仿真测试 | 第29-31页 |
| 3.4.2 实验研究 | 第31-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于稀疏表示的诊断算法研究 | 第40-52页 |
| 4.1 引言 | 第40页 |
| 4.2 冗余字典构造 | 第40-44页 |
| 4.2.1 Laplace小波字典 | 第40-42页 |
| 4.2.2 基于Laplace字典和HBW-OOMP的故障特征提取方法 | 第42-44页 |
| 4.3 基于稀疏表示的滚动轴承早期故障诊断模型 | 第44页 |
| 4.4 实验分析 | 第44-51页 |
| 4.4.1 特征选取 | 第47-49页 |
| 4.4.2 早期故障识别 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 结论与展望 | 第52-54页 |
| 5.1 本文研究总结 | 第52页 |
| 5.2 研究展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 攻读硕士学位期间发表的论文及参加的科研项目 | 第61页 |