| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 特征提取方法研究现状 | 第11-12页 |
| 1.2.2 流形学习算法研究现状 | 第12页 |
| 1.2.3 支持向量机参数优化算法研究现状 | 第12-13页 |
| 1.2.4 故障诊断与健康状态评估方法研究现状 | 第13-14页 |
| 1.3 本文研究的主要内容 | 第14-16页 |
| 第2章 滚动轴承高维故障特征提取 | 第16-26页 |
| 2.1 时域特征参量 | 第16-18页 |
| 2.2 频域特征参量 | 第18-21页 |
| 2.3 时-频特征参量 | 第21-24页 |
| 2.3.1 总体平均经验模式分解 | 第21-23页 |
| 2.3.2 奇异值分解 | 第23-24页 |
| 2.3.3 时-频特征参量 | 第24页 |
| 2.4 构造高维特征集 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 局部线性嵌入算法研究及改进 | 第26-34页 |
| 3.1 流形学习基本理论 | 第26页 |
| 3.2 局部线性嵌入算法基本原理 | 第26-28页 |
| 3.3 改进的局部线性嵌入算法 | 第28-31页 |
| 3.3.1 最佳分类效果 | 第28-29页 |
| 3.3.2 基于欧式距离的自适应邻域选择 | 第29-30页 |
| 3.3.3 自适应增量局部线性嵌入 | 第30-31页 |
| 3.4 自适应增量LLE算法性能分析 | 第31-33页 |
| 3.4.1 标准数据集验证 | 第31-32页 |
| 3.4.2 特征约简算法耗时对比 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 支持向量机多参数优化算法及改进 | 第34-44页 |
| 4.1 支持向量机 | 第34-35页 |
| 4.2 鸡群算法 | 第35-38页 |
| 4.3 混沌优化鸡群算法 | 第38-40页 |
| 4.3.1 混沌理论及其特性 | 第38-39页 |
| 4.3.2 混沌优化鸡群算法 | 第39-40页 |
| 4.4 智能优化算法性能实验分析 | 第40-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 滚动轴承健康状态评估 | 第44-60页 |
| 5.1 实验环境与数据来源 | 第44-46页 |
| 5.2 基于自适应增量LLE-SVM模型的健康状态评估方法 | 第46-51页 |
| 5.2.1 滚动轴承健康状态评估模型及评估指标 | 第46-49页 |
| 5.2.2 滚动轴承健康状态评估方法及流程 | 第49-51页 |
| 5.3 实验与分析 | 第51-59页 |
| 5.4 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的学术论文及获得成果 | 第65-66页 |
| 致谢 | 第66页 |