| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-18页 |
| ·课题的提出和目的 | 第10-11页 |
| ·滚动轴承故障诊断技术综述 | 第11-14页 |
| ·滚动轴承故障诊断技术国内外发展现状 | 第11-12页 |
| ·滚动轴承故障诊断技术的发展趋势 | 第12页 |
| ·滚动轴承故障诊断的流程 | 第12-14页 |
| ·小波理论的发展及基于小波分析的滚动轴承诊断现状 | 第14-15页 |
| ·小波分析及小波包分析理论的发展 | 第14页 |
| ·基于小波分析的滚动轴承诊断现状 | 第14-15页 |
| ·支持向量机理论的发展及研究方向 | 第15-16页 |
| ·支持向量机的国内外发展概况 | 第15页 |
| ·支持向量机的研究方向 | 第15-16页 |
| ·本文的主要研究内容及结构安排 | 第16-18页 |
| ·主要研究内容 | 第16页 |
| ·论文结构安排 | 第16-18页 |
| 第二章 滚动轴承的振动机理与信号特征 | 第18-22页 |
| ·滚动轴承的工作原理及基本参数 | 第18-19页 |
| ·滚动轴承的振动信号特征 | 第19-21页 |
| ·滚动轴承的振动类型 | 第19页 |
| ·滚动轴承的固有频率 | 第19-20页 |
| ·滚动轴承的故障特征频率 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 滚动轴承模拟故障试验 | 第22-30页 |
| ·数据采集系统的组成 | 第22-25页 |
| ·滚动轴承故障模拟实验台装置 | 第22-23页 |
| ·振动信号采集装置 | 第23-24页 |
| ·滚动轴承的基本参数 | 第24-25页 |
| ·测点布置 | 第25-26页 |
| ·振动信号的采集 | 第26-28页 |
| ·本章小结 | 第28-30页 |
| 第四章 小波分析理论及对特征向量的提取 | 第30-44页 |
| ·小波分析 | 第30-33页 |
| ·连续小波变换（CWT） | 第30-31页 |
| ·离散小波变换（DWT） | 第31-32页 |
| ·多分辨率分析 | 第32页 |
| ·正交小波变换 | 第32-33页 |
| ·小波包分析 | 第33-37页 |
| ·小波包的定义 | 第33页 |
| ·小波包的子空间分解 | 第33-35页 |
| ·小波包的重建 | 第35页 |
| ·使用小波包对提取的振动信号画出最优小波包树 | 第35-37页 |
| ·小波包降噪 | 第37-40页 |
| ·降噪方法 | 第37页 |
| ·仿真信号的研究 | 第37-39页 |
| ·使用小波包对提取的振动信号进行降噪 | 第39-40页 |
| ·能量特征向量的提取 | 第40-43页 |
| ·提取能量特征向量的方法 | 第41页 |
| ·利用小波包对轴承故障能量特征向量的提取 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第五章 支持向量机识别方法研究 | 第44-56页 |
| ·支持向量机理论基础 | 第44-47页 |
| ·概述 | 第44-45页 |
| ·统计学习理论 | 第45-47页 |
| ·支持向量机的基本原理 | 第47-51页 |
| ·线性分类问题 | 第47-48页 |
| ·近似线性分类问题 | 第48-49页 |
| ·非线性分类问题 | 第49-50页 |
| ·核函数 | 第50-51页 |
| ·本课题惩罚函数C 及核函数的选择 | 第51-54页 |
| ·惩罚函数C 的选择 | 第51-52页 |
| ·核函数的选择 | 第52-54页 |
| ·本章小结 | 第54-56页 |
| 第六章 支持向量机多类故障分类器构建及应用 | 第56-68页 |
| ·多分类支持向量机分类方法 | 第56-60页 |
| ·“一对多”算法 | 第56-57页 |
| ·“一对一”算法 | 第57-58页 |
| ·有向无环图支持向量机 | 第58-59页 |
| ·SVM 决策树支持向量机 | 第59-60页 |
| ·基于SVM 决策树的多分类算法的建立 | 第60-64页 |
| ·SVM 决策树支持向量机的分析 | 第61页 |
| ·投票理论简述 | 第61-62页 |
| ·基于SVM 决策树的多分类算法 | 第62-64页 |
| ·基于SVM 决策树的多分类算法对滚动轴承能量特征向量的识别 | 第64-65页 |
| ·本章小结 | 第65-68页 |
| 总结与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 攻读硕士学位期间发表的论文 | 第76页 |