| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第1章 绪论 | 第7-14页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 信号特征提取技术研究现状 | 第8-9页 |
| 1.3 滚动轴承故障诊断技术研究现状 | 第9-12页 |
| 1.4 本文的研究内容及思路 | 第12-14页 |
| 第2章 滚动轴承故障机理及信号分析方法 | 第14-25页 |
| 2.1 引言 | 第14页 |
| 2.2 滚动轴承故障机理 | 第14-17页 |
| 2.2.1 滚动轴承的故障原因 | 第14-15页 |
| 2.2.2 滚动轴承故障发展过程 | 第15-16页 |
| 2.2.3 轴承故障的特征频率 | 第16-17页 |
| 2.3 信号分析方法 | 第17-24页 |
| 2.3.1 时域分析法 | 第17-18页 |
| 2.3.2 频域分析法 | 第18-21页 |
| 2.3.3 时频域分析法 | 第21-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 滚动轴承振动信号特征提取 | 第25-41页 |
| 3.1 引言 | 第25页 |
| 3.2 滚动轴承振动信号特征提取步骤 | 第25-34页 |
| 3.2.1 经验模态分解及实验 | 第25-28页 |
| 3.2.2 经验模态分解特性 | 第28-29页 |
| 3.2.3 希尔伯特变换及实验 | 第29-32页 |
| 3.2.4 特征降维及实验 | 第32-34页 |
| 3.3 基于相关系数与相对熵的固有模态函数选取 | 第34-35页 |
| 3.4 特征提取方法实验对比 | 第35-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于XGBoost的滚动轴承故障分类及其超参数优化 | 第41-53页 |
| 4.1 引言 | 第41页 |
| 4.2 机器学习算法 | 第41-43页 |
| 4.2.1 有监督学习 | 第41-42页 |
| 4.2.2 无监督学习 | 第42-43页 |
| 4.3 XGBoost算法 | 第43-47页 |
| 4.3.1 XGBoost算法思想 | 第43-46页 |
| 4.3.2 XGBoost对Boosting算法的改进 | 第46页 |
| 4.3.3 XGBoost的优势 | 第46-47页 |
| 4.4 基于消息队列的超参数优化 | 第47-51页 |
| 4.4.1 常用调参方法 | 第47-48页 |
| 4.4.2 消息队列优化超参数 | 第48-50页 |
| 4.4.3 超参数优化方法对比实验 | 第50-51页 |
| 4.5 分类器与超参数组合对比实验 | 第51-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第5章 风电机组主轴承故障诊断实验 | 第53-59页 |
| 5.1 引言 | 第53页 |
| 5.2 实验过程 | 第53-57页 |
| 5.2.1 数据来源 | 第53-54页 |
| 5.2.2 交叉验证方法 | 第54-55页 |
| 5.2.3 故障诊断实验 | 第55-57页 |
| 5.3 结果分析及结论 | 第57-58页 |
| 5.3.1 结果分析 | 第57页 |
| 5.3.2 结论 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-66页 |