| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 课题研究背景及意义 | 第8-10页 |
| 1.2 信息融合技术研究现状 | 第10-12页 |
| 1.2.1 信息融合技术的发展 | 第10-11页 |
| 1.2.2 基于信息融合技术的故障识别及诊断研究现状 | 第11-12页 |
| 1.3 论文主要研究内容与结构安排 | 第12-13页 |
| 2 齿轮箱的故障类型与振动噪声产生机理 | 第13-17页 |
| 2.1 齿轮箱故障的主要形式 | 第13页 |
| 2.2 齿轮箱系统振动噪声产生的机理 | 第13-16页 |
| 2.3 滚动轴承故障振动机理 | 第16页 |
| 2.4 本章小结 | 第16-17页 |
| 3 信息融合故障诊断基本理论 | 第17-24页 |
| 3.1 信息融合基本原理 | 第17-18页 |
| 3.2 信息融合层次的划分 | 第18-21页 |
| 3.2.1 信息融合功能模型 | 第18页 |
| 3.2.2 信息融合层次 | 第18-21页 |
| 3.3 多传感器信息融合算法 | 第21-23页 |
| 3.4 本章小结 | 第23-24页 |
| 4 多传感器网络融合的滚动轴承故障诊断 | 第24-44页 |
| 4.1 基于多传感器网络融合的故障诊断 | 第24-26页 |
| 4.1.1 概率神经网络 | 第24-25页 |
| 4.1.2 D-S 证据理论 | 第25页 |
| 4.1.3 PNN 与证据理论的融合故障诊断 | 第25-26页 |
| 4.2 基于多域特征的多传感器网络融合滚动轴承故障诊断 | 第26-34页 |
| 4.2.1 多域特征的提取 | 第26-30页 |
| 4.2.2 滚动轴承故障试验台数据采集 | 第30-32页 |
| 4.2.3 基于多域特征的滚动轴承故障试验分析 | 第32-34页 |
| 4.3 基于 IMF 熵的多传感器网络融合滚动轴承故障诊断 | 第34-39页 |
| 4.3.1 IMF 熵的特征提取 | 第34-37页 |
| 4.3.2 基于 IMF 熵的滚动轴承故障试验分析 | 第37-39页 |
| 4.4 两种特征提取方法的比较 | 第39-40页 |
| 4.5 现场轧机齿轮座诊断实例 | 第40-43页 |
| 4.5.1 基于多域特征的轧机齿轮座故障诊断 | 第41-42页 |
| 4.5.2 基于 IMF 熵特征的轧机齿轮座故障诊断 | 第42-43页 |
| 4.6 本章小结 | 第43-44页 |
| 5 多分辨特征融合与支持向量机的滚动轴承故障诊断 | 第44-63页 |
| 5.1 引言 | 第44页 |
| 5.2 支持向量机原理 | 第44-47页 |
| 5.2.1 线性支持向量机 | 第44-46页 |
| 5.2.2 非线性支持向量机 | 第46页 |
| 5.2.3 核函数 | 第46-47页 |
| 5.3 多分辨 SVD | 第47-51页 |
| 5.3.1 多分辨分析 | 第47-48页 |
| 5.3.2 多分辨 SVD 特征提取 | 第48-50页 |
| 5.3.3 多分辨 SVD 包特征提取 | 第50-51页 |
| 5.4 多分辨 SVD 特征融合与支持向量机的故障诊断 | 第51-58页 |
| 5.4.1 多分辨 SVD 特征融合与支持向量机的故障诊断基本步骤 | 第51-52页 |
| 5.4.2 试验分析 | 第52-58页 |
| 5.5 多分辨 SVD 包特征融合与支持向量机的故障诊断 | 第58-62页 |
| 5.5.1 多分辨 SVD 包特征融合与支持向量机的故障诊断基本步骤 | 第58-59页 |
| 5.5.2 试验分析 | 第59-62页 |
| 5.6 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 附录 A 多域特征与多传感器网络融合主程序 | 第69-83页 |
| 在学研究成果 | 第83-84页 |
| 致谢 | 第84页 |
