| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 滚动轴承故障特征提取技术研究现状 | 第11-12页 |
| 1.2.2 滚动轴承故障特征识别技术研究现状 | 第12-13页 |
| 1.3 论文主要内容与章节安排 | 第13-15页 |
| 第2章 滚动轴承故障特征提取算法 | 第15-32页 |
| 2.1 滚动轴承故障诊断系统 | 第15-19页 |
| 2.2 分形特征提取方法 | 第19-23页 |
| 2.2.1 分形盒维数 | 第19-20页 |
| 2.2.2 改进分形盒维数 | 第20-22页 |
| 2.2.3 仿真分析 | 第22-23页 |
| 2.3 信息熵特征提取算法 | 第23-28页 |
| 2.3.1 信息熵提取方法 | 第24-26页 |
| 2.3.1.1 功率谱熵理论 | 第24页 |
| 2.3.1.2 奇异谱熵的基础理论 | 第24-25页 |
| 2.3.1.3 小波能量谱熵理论 | 第25-26页 |
| 2.3.2 熵特征评价 | 第26-28页 |
| 2.4 Hilbert-Huang变换边际谱能量特征 | 第28-31页 |
| 2.4.1 经验模态分解 | 第28-29页 |
| 2.4.2 Hilbert谱分析 | 第29-30页 |
| 2.4.3 边际谱能量特征提取 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 滚动轴承特征选择算法研究 | 第32-37页 |
| 3.1 特征选择算法 | 第32-34页 |
| 3.1.1 序列前向选择方法 | 第32页 |
| 3.1.2 序列浮动前向选择算法 | 第32-33页 |
| 3.1.3 ReliefF特征选择算法 | 第33-34页 |
| 3.2 仿真结果和性能分析 | 第34-36页 |
| 3.2.1 参数设置 | 第34页 |
| 3.2.2 仿真方法 | 第34-35页 |
| 3.2.3 性能分析 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第4章 滚动轴承分类识别算法研究 | 第37-53页 |
| 4.1 分类识别算法 | 第37-45页 |
| 4.1.1 KNN算法 | 第37-38页 |
| 4.1.2 SVM算法 | 第38-40页 |
| 4.1.3 Adaboost算法 | 第40-42页 |
| 4.1.4 梯度提升决策树算法 | 第42-43页 |
| 4.1.5 Xgboost算法 | 第43-45页 |
| 4.2 仿真结果和性能分析 | 第45-52页 |
| 4.2.1 仿真数据 | 第45页 |
| 4.2.2 仿真方法 | 第45页 |
| 4.2.3 性能分析 | 第45-52页 |
| 4.3 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61页 |