| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 机械设备工作状态和寿命预测技术的研究现状 | 第13-15页 |
| 1.2.2 基于数据的工作状态和寿命预测技术的研究现状 | 第15-17页 |
| 1.3 论文的研究思路及内容安排 | 第17-20页 |
| 1.3.1 论文的研究思路 | 第17-18页 |
| 1.3.2 论文的内容安排 | 第18-20页 |
| 第2章 滚动轴承的故障机理分析和模式识别方法 | 第20-29页 |
| 2.1 滚动轴承的故障机理 | 第20-25页 |
| 2.1.1 滚动轴承的主要故障形式 | 第20-21页 |
| 2.1.2 滚动轴承的故障特性 | 第21-22页 |
| 2.1.3 滚动轴承的主要结构 | 第22-23页 |
| 2.1.4 滚动轴承的振动机理 | 第23-25页 |
| 2.2 滚动轴承的退化状态演化规律 | 第25-26页 |
| 2.3 滚动轴承工作状态识别方法 | 第26-28页 |
| 2.3.1 支持向量机 | 第26-27页 |
| 2.3.2 人工神经网络 | 第27页 |
| 2.3.3 VPMCD 方法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于 LCD 算法的滚动轴承工作状态及寿命预测方法 | 第29-42页 |
| 3.1 固有时间尺度分解方法 | 第29-30页 |
| 3.2 局部特征尺度分解算法 | 第30-32页 |
| 3.3 仿真信号分析 | 第32-36页 |
| 3.4 基于 LCD 和神经网络的滚动轴承故障状态识别 | 第36-38页 |
| 3.5 基于 LCD 和神经网络的滚动轴承退化状态识别和寿命预测 | 第38-40页 |
| 3.6 本章小结 | 第40-42页 |
| 第4章 基于 LCD 和高斯混合聚类算法的滚动轴承退化状态及寿命预测方法 | 第42-56页 |
| 4.1 高斯混合聚类算法理论 | 第42-47页 |
| 4.1.1 高斯混合模型理论 | 第42-43页 |
| 4.1.2 高斯混合模型参数估计 | 第43-45页 |
| 4.1.3 参数初始化 | 第45-46页 |
| 4.1.4 混合数目的确定 | 第46-47页 |
| 4.2 基于 LCD 和高斯混合聚类算法的滚动轴承故障状态聚类 | 第47-49页 |
| 4.3 基于时间因子的高斯混合聚类算法在滚动轴承退化状态识别和寿命预测中的应用 | 第49-54页 |
| 4.3.1 基于时间因子和高斯混合聚类的滚动轴承退化状态聚类 | 第49-53页 |
| 4.3.2 基于 LCD 和高斯混合聚类的滚动轴承退化状态识别及寿命预测 | 第53-54页 |
| 4.4 本章小结 | 第54-56页 |
| 第5章 基于 VPMCD 的滚动轴承工作状态及寿命预测方法 | 第56-68页 |
| 5.1 变量预测模型 | 第56-57页 |
| 5.2 基于变量预测模型的模式识别（VPMCD）方法 | 第57-58页 |
| 5.3 VPMCD 在滚动轴承故障状态识别中的应用 | 第58-62页 |
| 5.3.1 基于 LCD 和 VPMCD 滚动轴承故障状态识别方法 | 第58-59页 |
| 5.3.2 应用 | 第59-62页 |
| 5.4 基于 LCD 和 VPMCD 的滚动轴承退化状态识别与寿命预测 | 第62-64页 |
| 5.5 高斯混合模型改进的基于 LCD 与 VPMCD 的滚动轴承退化状态识别及寿命预测 | 第64-66页 |
| 5.6 本章小结 | 第66-68页 |
| 结论与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 附录 A 攻读学位期间参与的科研项目 | 第75页 |
