| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 课题背景及意义 | 第13页 |
| 1.2 共振稀疏分解研究现状 | 第13-15页 |
| 1.3 隐马尔科夫模型研究现状 | 第15-18页 |
| 1.3.1 贝叶斯网络 | 第16-17页 |
| 1.3.2 离散隐马尔科夫模型 | 第17页 |
| 1.3.3 连续隐马尔科夫模型 | 第17-18页 |
| 1.3.4 状态驻留隐马尔科夫模型 | 第18页 |
| 1.4 课题来源及主要研究内容 | 第18-21页 |
| 第二章 基于迭代共振稀疏分解的信号降噪方法 | 第21-43页 |
| 2.1 迭代共振稀疏分解理论基础 | 第21-28页 |
| 2.1.1 可调Q因子小波变换 | 第21-24页 |
| 2.1.2 形态分量分析与分裂增广拉格朗日收缩算法 | 第24-28页 |
| 2.2 迭代共振稀疏分解 | 第28-30页 |
| 2.3 TQWT的参数 | 第30-32页 |
| 2.4 仿真分析 | 第32-35页 |
| 2.5 实验验证和分析 | 第35-41页 |
| 2.6 本章小结 | 第41-43页 |
| 第三章 基于主成分分析的滚动轴承振动信号特征向量构造 | 第43-57页 |
| 3.1 滚动轴承振动信号分帧处理 | 第43-44页 |
| 3.2 时域特征参数 | 第44-45页 |
| 3.2.1 有量纲参数 | 第44-45页 |
| 3.2.2 无量纲参数 | 第45页 |
| 3.3 频域特征参数 | 第45-49页 |
| 3.4 主成分分析优化降维 | 第49-53页 |
| 3.4.1 主成分分析的概念及基本思想 | 第49页 |
| 3.4.2 主成分分析的数学原理 | 第49-53页 |
| 3.4.3 主成分分析的计算步骤 | 第53页 |
| 3.5 滚动轴承故障特征提取中的优化降维 | 第53-55页 |
| 3.6 本章小结 | 第55-57页 |
| 第四章 基于隐马尔科夫模型的滚动轴承故障模式识别方法 | 第57-75页 |
| 4.1 隐马尔科夫模型基本理论 | 第57-67页 |
| 4.1.1 马尔科夫模型 | 第57-58页 |
| 4.1.2 隐马尔科夫模型 | 第58-60页 |
| 4.1.3 隐马尔科夫模型的三个基本问题 | 第60-67页 |
| 4.2 隐马尔科夫模型在轴承故障模式识别中的应用 | 第67-68页 |
| 4.3 特征向量的量化 | 第68-69页 |
| 4.4 隐马尔科夫模型故障模式识别 | 第69-73页 |
| 4.5 本章小结 | 第73-75页 |
| 第五章 总结和展望 | 第75-77页 |
| 5.1 总结 | 第75页 |
| 5.2 展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 研究成果及发表的学术论文 | 第83-84页 |
| 作者和导师简介 | 第84-85页 |
| 附件 | 第85-86页 |
