| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-19页 |
| ·课题研究的目的和意义 | 第11-12页 |
| ·国内外研究动态 | 第12-16页 |
| ·旋转机械故障诊断的研究现状 | 第12-14页 |
| ·故障模式识别方法研究现状 | 第14-16页 |
| ·论文研究内容及结构 | 第16-19页 |
| ·论文研究内容 | 第16-17页 |
| ·论文结构 | 第17-19页 |
| 第二章 旋转机械故障诊断概述 | 第19-31页 |
| ·故障机理研究 | 第19-23页 |
| ·齿轮故障机理及特征分析 | 第19-21页 |
| ·滚动轴承故障机理及特征分析 | 第21-23页 |
| ·故障特征提取方法 | 第23-26页 |
| ·时域分析法 | 第23-25页 |
| ·频域分析法 | 第25-26页 |
| ·特征选择 | 第26-27页 |
| ·故障识别方法 | 第27-30页 |
| ·统计模式识别 | 第28页 |
| ·结构模式识别 | 第28-29页 |
| ·模糊模式识别 | 第29页 |
| ·粗糙集模式识别 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 基于粗糙集的故障模式识别方法研究 | 第31-67页 |
| ·引言 | 第31-32页 |
| ·典粗糙集理论 | 第32-39页 |
| ·粗糙集的基本概念 | 第32-33页 |
| ·连续属性的离散化 | 第33-34页 |
| ·属性约简 | 第34-37页 |
| ·值约简 | 第37-38页 |
| ·决策规则获取 | 第38-39页 |
| ·基于自组织特征映射(SOM)神经网络的属性离散化方法 | 第39-44页 |
| ·自组织特征映射神经网络 | 第39-42页 |
| ·基于SOM神经网络优化聚类法的属性离散化方法 | 第42-44页 |
| ·基于经典粗糙集的故障诊断实例分析 | 第44-58页 |
| ·齿轮故障诊断实例分析 | 第45-52页 |
| ·滚动轴承故障诊断实例分析 | 第52-58页 |
| ·变精度粗糙集理论 | 第58-61页 |
| ·变精度粗糙集的基本概念 | 第58-59页 |
| ·变精度粗糙集的属性约简及规则提取 | 第59-61页 |
| ·基于变精度粗糙集的故障诊断实例分析 | 第61-66页 |
| ·基于变精度粗糙集的齿轮故障诊断实例分析 | 第61-64页 |
| ·基于变精度粗糙集的滚动轴承故障诊断实例分析 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 第四章 基于最小二乘支持向量机的故障模式识别方法 | 第67-85页 |
| ·引言 | 第67页 |
| ·统计学习理论 | 第67-70页 |
| ·支持向量机分类模型 | 第70-75页 |
| ·线性可分支持向量机 | 第70-72页 |
| ·线性不可分支持向量机 | 第72-73页 |
| ·核函数 | 第73-75页 |
| ·最小二乘支持向量机 | 第75-79页 |
| ·两类问题的最小二乘支持向量机 | 第75-76页 |
| ·多类问题的最小二乘支持向量机 | 第76-78页 |
| ·最小二乘支持向量机的参数优化 | 第78-79页 |
| ·基于最小二乘支持向量机的故障诊断实例分析 | 第79-84页 |
| ·基于最小二乘支持向量机的齿轮故障诊断 | 第79-82页 |
| ·基于最小二乘支持向量机的滚动轴承故障诊断 | 第82-84页 |
| ·本章小结 | 第84-85页 |
| 第五章 基于粗糙最小二乘支持向量机的故障模式识别方法 | 第85-92页 |
| ·引言 | 第85-86页 |
| ·基于粗糙最小二乘支持向量机的故障模式识别方法 | 第86-87页 |
| ·实例分析 | 第87-91页 |
| ·基于粗糙最小二乘支持向量机的齿轮故障诊断 | 第87-89页 |
| ·基于粗糙最小二乘支持向量机的滚动轴承故障诊断 | 第89-91页 |
| ·本章小结 | 第91-92页 |
| 第六章 结论与展望 | 第92-94页 |
| ·结论 | 第92-93页 |
| ·展望 | 第93-94页 |
| 参考文献 | 第94-101页 |
| 致谢 | 第101-102页 |
| 攻读博士学位期间发表的学术论文 | 第102-103页 |
| 攻读博士学位期间参加的科研工作 | 第103页 |