| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-20页 |
| ·研究背景 | 第11-12页 |
| ·研究目的和意义 | 第12-13页 |
| ·故障预测和健康管理(PHM)技术的发展过程和研究现状 | 第13-19页 |
| ·PHM技术的演化过程 | 第13-15页 |
| ·PHM的研究现状 | 第15-17页 |
| ·故障预测中故障特征提取技术的研究现状 | 第17-18页 |
| ·故障预测中退化状态识别技术的研究现状 | 第18-19页 |
| ·论文主要研究内容 | 第19页 |
| ·小结 | 第19-20页 |
| 第2章 滚动轴承故障机理及退化状态识别基本理论 | 第20-33页 |
| ·滚动轴承的振动机理及失效形式 | 第20-24页 |
| ·滚动轴承的振动机理 | 第20-23页 |
| ·滚动轴承的失效形式 | 第23-24页 |
| ·滚动轴承的故障诊断的方法 | 第24-26页 |
| ·滚动轴承的故障特征提取技术 | 第26-28页 |
| ·时域分析方法 | 第26页 |
| ·频域分析方法 | 第26-27页 |
| ·时频分析方法 | 第27-28页 |
| ·滚动轴承的退化状态识别技术 | 第28-32页 |
| ·人工神经网络技术 | 第29-31页 |
| ·支持向量机技术 | 第31-32页 |
| ·小结 | 第32-33页 |
| 第3章 基于HHT的滚动轴承故障特征提取 | 第33-42页 |
| ·EEMD基本理论 | 第33-38页 |
| ·固有模态函数和经验模式分解 | 第33-35页 |
| ·Hilbert时频谱和边际谱 | 第35-36页 |
| ·EEMD法的提出过程 | 第36-37页 |
| ·EEMD法的原理及其算法实现 | 第37-38页 |
| ·改进的EEMD法 | 第38-40页 |
| ·EEMD的参数优化 | 第38-39页 |
| ·固有模态函数重构及包络谱分析 | 第39-40页 |
| ·小结 | 第40-42页 |
| 第4章 基于SVM的滚动轴承退化状态识别 | 第42-55页 |
| ·统计学习理论基础及SVM模型理论 | 第42-48页 |
| ·统计学习基本理论 | 第42-44页 |
| ·支持向量机模型理论 | 第44-47页 |
| ·支持向量机的核函数 | 第47-48页 |
| ·基于GA的SVM参数优化 | 第48-52页 |
| ·遗传算法(GA)基本理论 | 第48-49页 |
| ·遗传算法的特点和应用 | 第49-50页 |
| ·用GA对SVM进行特征选择和参数优化 | 第50-52页 |
| ·退化状态离散化 | 第52-54页 |
| ·小结 | 第54-55页 |
| 第5章 实验验证 | 第55-68页 |
| ·轴承加速度实验分析 | 第55-62页 |
| ·EEMD在滚动轴承故障特征提取中的应用 | 第55-58页 |
| ·SVM在滚动轴承退化状态识别中的应用 | 第58-62页 |
| ·轴承破坏性实验分析 | 第62-66页 |
| ·EEMD在滚动轴承故障特征提取中的应用 | 第62-66页 |
| ·小结 | 第66-68页 |
| 结论 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第74-75页 |
| 致谢 | 第75-76页 |