| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 课题的国内外研究现状 | 第12-17页 |
| 1.2.1 过程监控研究现状 | 第12-14页 |
| 1.2.2 特征提取研究现状 | 第14-16页 |
| 1.2.3 基于振动信号的智能故障诊断技术研究现状 | 第16-17页 |
| 1.3 本文的主要研究工作 | 第17-19页 |
| 1.3.1 论文研究思路 | 第17页 |
| 1.3.2 论文的章节安排 | 第17-19页 |
| 第二章 振动信号的自适应时频分析方法 | 第19-31页 |
| 2.1 EMD分解 | 第19-21页 |
| 2.1.1 固有模态函数 | 第19-20页 |
| 2.1.2 EMD分解步骤 | 第20-21页 |
| 2.2 LMD算法介绍 | 第21-25页 |
| 2.3 试验信号对比分析 | 第25-26页 |
| 2.4 LMD算法存在的问题及改进办法 | 第26-27页 |
| 2.5 试验信号分析 | 第27-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 多域混合特征集的构建 | 第31-41页 |
| 3.1 滚动轴承故障机理概述 | 第31-36页 |
| 3.1.1 滚动轴承的基本组成结构 | 第31-32页 |
| 3.1.2 滚动轴承的故障形式 | 第32-33页 |
| 3.1.3 滚动轴承振动的原因及频率 | 第33-35页 |
| 3.1.4 仿真信号介绍 | 第35-36页 |
| 3.2 时域特征参数提取 | 第36-38页 |
| 3.3 频域特征参数 | 第38-39页 |
| 3.4 基于LMD的信号特征提取研究 | 第39页 |
| 3.5 多域混合特征集的构建 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于KICA的滚动轴承故障监控 | 第41-53页 |
| 4.1 独立成分分析算法介绍 | 第41-43页 |
| 4.1.1 ICA的基本定义 | 第41-42页 |
| 4.1.2 数据预处理 | 第42-43页 |
| 4.1.3 快速ICA算法 | 第43页 |
| 4.2 核独立成分分析算法介绍 | 第43-48页 |
| 4.2.1 数据映射 | 第43-44页 |
| 4.2.2 数据预处理 | 第44-45页 |
| 4.2.3 基于KICA的过程监控模型 | 第45-47页 |
| 4.2.4 基于KICA的过程监控算法步骤 | 第47-48页 |
| 4.3 仿真结果与分析 | 第48-52页 |
| 4.3.1 仿真对象 | 第48-50页 |
| 4.3.2 仿真验证 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 LSSVM在滚动轴承故障识别中的应用 | 第53-67页 |
| 5.1 支持向量机(SVM)理论 | 第53-58页 |
| 5.1.1 线性可分支持向量机原理 | 第53-55页 |
| 5.1.2 线性不可分支持向量机原理 | 第55-56页 |
| 5.1.3 核函数 | 第56-57页 |
| 5.1.4 SVM的多分类问题 | 第57-58页 |
| 5.2 最小二乘支持向量机(LSSVM)理论 | 第58-61页 |
| 5.2.1 两类LSSVMS分类器 | 第59-60页 |
| 5.2.2 多类LSSVM分类器 | 第60-61页 |
| 5.3 基于KICA的特征提取 | 第61-62页 |
| 5.4 基于LSSVM的滚动轴承故障识别步骤 | 第62-63页 |
| 5.5 仿真结果及对比分析 | 第63-66页 |
| 5.6 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 后续展望 | 第68-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 附录A 攻读硕士学位期间的研究成果 | 第75页 |