| 摘要 | 第9-11页 |
| ABSTRACT | 第11-12页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 课题来源 | 第13页 |
| 1.2 选题背景 | 第13-14页 |
| 1.3 滚动轴承故障诊断研究现状及存在问题分析 | 第14-21页 |
| 1.3.1 基于信号处理的滚动轴承故障诊断方法 | 第14-17页 |
| 1.3.2 基于数理统计的滚动轴承故障诊断方法 | 第17-18页 |
| 1.3.3 基于知识学习的滚动轴承智能诊断方法 | 第18-20页 |
| 1.3.4 基于信息融合的滚动轴承故障诊断方法 | 第20-21页 |
| 1.4 本文研究工作总体框架 | 第21-23页 |
| 第2章 滚动轴承故障诊断机理及试验系统 | 第23-29页 |
| 2.1 滚动轴承故障诊断机理分析 | 第23-25页 |
| 2.1.1 滚动轴承的结构 | 第23页 |
| 2.1.2 滚动轴承的故障特征频率 | 第23-25页 |
| 2.2 滚动轴承故障试验系统 | 第25-28页 |
| 2.2.1 轴承故障试验台 | 第25-26页 |
| 2.2.2 故障设置与数据采集系统 | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 基于非线性复杂度分析指标的滚动轴承故障特征提取方法 | 第29-53页 |
| 3.1 引言 | 第29-30页 |
| 3.2 非线性复杂度分析指标 | 第30-39页 |
| 3.2.1 LZC指标 | 第30-31页 |
| 3.2.2 PE指标 | 第31-35页 |
| 3.2.3 仿真分析 | 第35-37页 |
| 3.2.4 应用实例 | 第37-39页 |
| 3.3 基于小波包分解-LZC指标的故障特征提取方法 | 第39-44页 |
| 3.3.1 小波包分解 | 第40页 |
| 3.3.2 水平方向故障特征提取方法 | 第40-44页 |
| 3.4 基于EEMD分解-PE指标的故障特征提取方法 | 第44-49页 |
| 3.4.1 集成经验模态分解 | 第44-45页 |
| 3.4.2 垂直方向故障特征提取方法 | 第45-49页 |
| 3.5 基于类内类间散度矩阵的故障特征维数评价方法 | 第49-52页 |
| 3.5.1 故障特征维数评价方法 | 第50页 |
| 3.5.2 故障特征维数评价方法的应用 | 第50-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第4章 基于GA-PSO杂交算法优化的深度信念网络分类器设计 | 第53-69页 |
| 4.1 引言 | 第53页 |
| 4.2 受限玻尔兹曼机 | 第53-57页 |
| 4.2.1 RBM网络结构 | 第53-55页 |
| 4.2.2 对比散度算法 | 第55-57页 |
| 4.3 深度信念网络 | 第57-59页 |
| 4.3.1 预训练过程 | 第58页 |
| 4.3.2 调优过程 | 第58-59页 |
| 4.4 基于GA-PSO杂交寻优的深度信念网络参数优化算法 | 第59-67页 |
| 4.4.1 适应度函数构造方法以及训练集数据划分策略 | 第60页 |
| 4.4.2 GA算法理论 | 第60-62页 |
| 4.4.3 PSO算法理论 | 第62-63页 |
| 4.4.4 GA-PSO杂交算法 | 第63-67页 |
| 4.5 本章小结 | 第67-69页 |
| 第5章 基于深度信念网络与D-S证据理论的分级容错故障诊断方法 | 第69-89页 |
| 5.1 引言 | 第69-70页 |
| 5.2 D-S证据理论 | 第70页 |
| 5.3 基于分类器可信度的基本概率分配函数构造方法 | 第70-72页 |
| 5.4 分级容错诊断框架的建立 | 第72-75页 |
| 5.4.1 诊断框架 | 第73-74页 |
| 5.4.2 诊断正确率 | 第74-75页 |
| 5.5 分级容错故障诊断框架诊断结果 | 第75-84页 |
| 5.5.1 第一层诊断结果 | 第75-79页 |
| 5.5.2 第二层诊断结果 | 第79-84页 |
| 5.6 与支持向量机作为分类器的诊断结果对比分析 | 第84-87页 |
| 5.7 本章小结 | 第87-89页 |
| 第6章 结论与展望 | 第89-91页 |
| 6.1 全文工作总结 | 第89-90页 |
| 6.2 未来研究展望 | 第90-91页 |
| 参考文献 | 第91-99页 |
| 攻读硕士学位期间发表的学术论文及其他科研成果 | 第99-101页 |
| 致谢 | 第101页 |
