| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 课题的研究背景与意义 | 第8页 |
| 1.2 轴承故障诊断 | 第8-10页 |
| 1.2.1 轴承结构与常见故障类型 | 第8-10页 |
| 1.2.2 轴承故障诊断系统 | 第10页 |
| 1.3 国内外研究现状 | 第10-16页 |
| 1.3.1 符号化信号分析方法研究现状 | 第13-14页 |
| 1.3.2 符号化方法研究现状 | 第14页 |
| 1.3.3 符号化概率有限状态机研究现状 | 第14-15页 |
| 1.3.4 分类方法的研究现状 | 第15-16页 |
| 1.4 本文的主要研究内容与章节安排 | 第16-18页 |
| 第二章 符号时间序列分析理论与符号化方法 | 第18-31页 |
| 2.1 信号的符号化 | 第18-25页 |
| 2.1.1 基于值域的符号化方法 | 第19-21页 |
| 2.1.2 基于分布的划分方法 | 第21-22页 |
| 2.1.3 概率密度划分方法 | 第22-24页 |
| 2.1.4 符号集大小的选择 | 第24-25页 |
| 2.2 符号序列特征提取 | 第25-27页 |
| 2.3 概率密度划分方法实验验证 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 符号化概率有限状态机 | 第31-40页 |
| 3.1 时间序列的时频分析与符号化 | 第31-35页 |
| 3.2 二维概率有限状态机模型 | 第35-38页 |
| 3.2.1 二维概率有限状态机的“状态” | 第35-37页 |
| 3.2.2 状态矩阵的特征提取 | 第37-38页 |
| 3.3 本章小结 | 第38-40页 |
| 第四章 改进的K-最近邻分类算法 | 第40-49页 |
| 4.1 K-最近邻分类 | 第40-44页 |
| 4.1.1 最近邻分类 | 第40-42页 |
| 4.1.2 K-最近邻分类 | 第42-44页 |
| 4.2 基于K-means聚类改进的K-最近邻分类 | 第44-48页 |
| 4.2.1 K-means聚类算法 | 第44-46页 |
| 4.2.2 改进的K-最近邻分类算法 | 第46-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 轴承故障诊断实验验证 | 第49-61页 |
| 5.1 基于符号时间序列分析的轴承智能诊断 | 第49-50页 |
| 5.2 轴承故障模拟实验 | 第50-60页 |
| 5.2.1 不同程度损伤的内圈故障实验 | 第51-54页 |
| 5.2.2 不同程度损伤的球体故障实验 | 第54-55页 |
| 5.2.3 不同程度损伤的外圈故障实验 | 第55-58页 |
| 5.2.4 训练样本数量不均衡对比实验 | 第58-60页 |
| 5.3 本章小结 | 第60-61页 |
| 第六章 结论与展望 | 第61-63页 |
| 6.1 本文工作总结 | 第61-62页 |
| 6.2 未来展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-72页 |
| 硕士学位攻读期间获得的学术成果 | 第72页 |