| 摘要 | 第1-4页 |
| ABSTRACT | 第4-6页 |
| 目录 | 第6-8页 |
| 第1章 绪论 | 第8-12页 |
| ·课题研究背景和意义 | 第8页 |
| ·国内外研究现状 | 第8-11页 |
| ·本文的研究内容 | 第11-12页 |
| 第2章 声发射信号处理技术在轴承故障诊断中的应用 | 第12-21页 |
| ·声发射信号的类型 | 第12页 |
| ·声发射信号处理技术介绍 | 第12-17页 |
| ·特征参数法 | 第13-14页 |
| ·波形分析技术 | 第14页 |
| ·盲源分离技术 | 第14-15页 |
| ·分形理论 | 第15-16页 |
| ·高阶谱分析技术 | 第16-17页 |
| ·小波分析 | 第17页 |
| ·滚动轴承故障声发射诊断机理 | 第17-18页 |
| ·滚动轴承故障特点及声发射技术应用的优势 | 第18-20页 |
| ·本章小结 | 第20-21页 |
| 第3章 基于小波变换的声发射信号处理方法的研究 | 第21-38页 |
| ·时频分析方法的发展 | 第21-22页 |
| ·小波与小波包分析理论 | 第22-28页 |
| ·小波变换 | 第23-26页 |
| ·小波包变换 | 第26-28页 |
| ·声发射信号的特征分析 | 第28-29页 |
| ·声发射信号分析中的小波基选择方法研究 | 第29-33页 |
| ·常用小波基的性质 | 第29-30页 |
| ·选取小波基方法的研究 | 第30-31页 |
| ·声发射信号分析的小波基选取 | 第31-33页 |
| ·小波包分解在声发射信号分析中的应用 | 第33-37页 |
| ·小波包阈值降噪研究 | 第33-36页 |
| ·货车轴承声发射信号的小波包分解特征提取 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 支持向量机的轴承故障诊断方法研究 | 第38-49页 |
| ·机器学习及统计学习理论 | 第38-42页 |
| ·机器学习问题的基本理论 | 第38-40页 |
| ·统计学习理论 | 第40-42页 |
| ·支持向量机 | 第42-47页 |
| ·最优分类超平面 | 第42-45页 |
| ·支持向量机分类算法推导 | 第45-46页 |
| ·核函数 | 第46-47页 |
| ·SVM算法应用于货车轴承智能诊断中的方法及优势 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第5章 基于小波和支持向量机的轴承故障诊断仿真研究 | 第49-66页 |
| ·在线智能系统 | 第49-53页 |
| ·系统的构成 | 第49-51页 |
| ·AE数据采集模块 | 第51-52页 |
| ·系统网络设计 | 第52-53页 |
| ·故障监测的算法的实现 | 第53-57页 |
| ·货车轴承声发射信号的小波包分解特征提取算法 | 第53-55页 |
| ·货车轴承声发射信号的SVM分类算法 | 第55-57页 |
| ·算法仿真分析 | 第57-64页 |
| ·本章小结 | 第64-66页 |
| 第6章 结论与展望 | 第66-68页 |
| ·结论 | 第66页 |
| ·展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士学位期间科研及论文完成情况 | 第73页 |