| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-24页 |
| 1.1 课题研究的背景及意义 | 第11-12页 |
| 1.2 滚动轴承故障诊断国内外研究现状以及发展趋势 | 第12-17页 |
| 1.2.1 国内外故障诊断技术的研究现状 | 第12-13页 |
| 1.2.2 振动信号分析和特征提取方法研究现状 | 第13-16页 |
| 1.2.3 滚动轴承故障诊断的发展趋势 | 第16-17页 |
| 1.3 滚动轴承故障及振动机理 | 第17-21页 |
| 1.3.1 滚动轴承结构 | 第17-18页 |
| 1.3.2 滚动轴承故障主要表现形式 | 第18-20页 |
| 1.3.3 滚动轴承振动机理 | 第20-21页 |
| 1.4 论文主要的研究工作 | 第21-24页 |
| 第二章 基于模糊熵和形态学分形维数的滚动轴承早期故障检测 | 第24-38页 |
| 2.1 引言 | 第24页 |
| 2.2 模糊熵 | 第24-27页 |
| 2.2.1 模糊熵基本原理 | 第24-25页 |
| 2.2.2 模糊熵仿真分析 | 第25-27页 |
| 2.3 形态学分形维数 | 第27-29页 |
| 2.3.1 数学形态学 | 第27-28页 |
| 2.3.2 分形维数 | 第28-29页 |
| 2.3.3 形态学分形维数计算方法 | 第29页 |
| 2.4 基于模糊熵、形态学分形维数和SVM的轴承早期故障检测 | 第29-32页 |
| 2.4.1 支持向量机基本原理 | 第29-31页 |
| 2.4.2 滚动轴承早期故障检测方案 | 第31-32页 |
| 2.5 实验分析 | 第32-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第三章 基于樽海鞘群算法的参数优化变分模态分解方法 | 第38-51页 |
| 3.1 引言 | 第38页 |
| 3.2 樽海鞘群算法 | 第38-40页 |
| 3.3 VMD算法 | 第40-44页 |
| 3.3.1 VMD算法基本原理 | 第40-42页 |
| 3.3.2 VMD算法的优劣势 | 第42-44页 |
| 3.4 SSA-VMD 算法基本原理 | 第44-47页 |
| 3.4.1 频域模态混叠密度 | 第44-45页 |
| 3.4.2 目标函数的构建 | 第45页 |
| 3.4.3 SSA-VMD 算法的流程 | 第45-47页 |
| 3.5 仿真分析 | 第47-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第四章 基于 SSA-VMD、形态学分形维数和 ABC-ELM 的滚动轴承故障诊断 | 第51-63页 |
| 4.1 引言 | 第51页 |
| 4.2 人工蜂群优化的极限学习机算法 | 第51-57页 |
| 4.2.1 极限学习机 | 第51-54页 |
| 4.2.2 人工蜂群算法 | 第54-55页 |
| 4.2.3 ABC-ELM算法流程 | 第55-57页 |
| 4.3 基于SSA-VMD、形态学分形维数和 ABC-ELM的故障诊断方法 | 第57-58页 |
| 4.4 实验分析 | 第58-61页 |
| 4.5 本章小结 | 第61-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 本文总结 | 第63-64页 |
| 5.2 研究展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 硕士期间的研究成果与项目 | 第70-71页 |
| 致谢 | 第71页 |
