| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-24页 |
| 1.1 滚动轴承故障诊断的意义和目的 | 第12-13页 |
| 1.2 滚动轴承及其故障诊断概述 | 第13-16页 |
| 1.2.1 滚动轴承的种类及结构 | 第13页 |
| 1.2.2 滚动轴承基本故障频率 | 第13-14页 |
| 1.2.3 滚动轴承故障诊断发展历程 | 第14-15页 |
| 1.2.4 滚动轴承故障诊断方法 | 第15-16页 |
| 1.3 滚动轴承振动信号特征提取 | 第16-19页 |
| 1.3.1 基于时域统计特征值的特征提取 | 第16-17页 |
| 1.3.2 基于频域分析的特征提取 | 第17-18页 |
| 1.3.3 时频域分析方法 | 第18-19页 |
| 1.4 滚动轴承故障类型模式识别方法 | 第19-21页 |
| 1.4.1 神经网络 | 第19-20页 |
| 1.4.2 模糊C均值聚类 | 第20页 |
| 1.4.3 支持向量机 | 第20-21页 |
| 1.5 主要研究内容及章节安排 | 第21-24页 |
| 2 变分模态分解和奇异值分解 | 第24-44页 |
| 2.1 信号特征提取的常用方法 | 第24-27页 |
| 2.1.1 经验模态分解 | 第24-25页 |
| 2.1.2 集合经验模态分解 | 第25-26页 |
| 2.1.3 局部均值分解 | 第26-27页 |
| 2.2 变分模态分解 | 第27-30页 |
| 2.3 VMD与EMD、EEMD、LMD的比较 | 第30-40页 |
| 2.3.1 VMD与EMD、EEMD和LMD的比较 | 第30-34页 |
| 2.3.2 VMD与EMD的比较 | 第34-40页 |
| 2.4 奇异值分解和包络相关谱系数 | 第40-43页 |
| 2.4.1 奇异值分解 | 第40-42页 |
| 2.4.2 包络相关谱系数 | 第42-43页 |
| 2.5 本章总结 | 第43-44页 |
| 3 基于蛙跳算法优化的变分模态分解 | 第44-58页 |
| 3.1 蛙跳算法 | 第44页 |
| 3.2 基于蛙跳算法优化的变分模态分解 | 第44-46页 |
| 3.3 仿真信号验证 | 第46-49页 |
| 3.4 滚动轴承实测信号验证 | 第49-57页 |
| 3.5 本章总结 | 第57-58页 |
| 4 基于贝叶斯优化的最小二乘支持向量机 | 第58-76页 |
| 4.1 统计学习理论 | 第58-59页 |
| 4.1.1 经验风险最小化 | 第58页 |
| 4.1.2 VC维 | 第58-59页 |
| 4.1.3 结构风险最小化 | 第59页 |
| 4.2 支持向量机 | 第59-63页 |
| 4.2.1 线性可分 | 第59-60页 |
| 4.2.2 线性不可分 | 第60-61页 |
| 4.2.3 支持向量机 | 第61-62页 |
| 4.2.4 不同核函数和参数对支持向量机的影响 | 第62-63页 |
| 4.3 贝叶斯优化的最小二乘支持向量机 | 第63-74页 |
| 4.3.1 最小二乘支持向量机 | 第63-65页 |
| 4.3.2 贝叶斯对最小二乘支持向量机三层推断 | 第65-68页 |
| 4.3.3 贝叶斯优化的最小二乘支持向量机的验证 | 第68-74页 |
| 4.4 本章总结 | 第74-76页 |
| 5 滚动轴承故障诊断实验验证 | 第76-88页 |
| 5.1 滚动轴承故障信号的获取 | 第76-77页 |
| 5.2 滚动轴承故障诊断识别流程 | 第77页 |
| 5.3 外圈内圈滚动体故障信号的特征提取 | 第77-83页 |
| 5.4 故障分类识别 | 第83-86页 |
| 5.5 本章总结 | 第86-88页 |
| 6 总结与展望 | 第88-90页 |
| 6.1 全文工作总结 | 第88-89页 |
| 6.2 未来工作展望 | 第89-90页 |
| 参考文献 | 第90-94页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第94-98页 |
| 学位论文数据集 | 第98页 |