| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-15页 |
| ·课题研究的背景与意义 | 第8-9页 |
| ·国内外研究现状分析 | 第9-13页 |
| ·振动信号预处理方法 | 第9-11页 |
| ·故障特征提取方法 | 第11-12页 |
| ·故障识别方法 | 第12-13页 |
| ·本文主要研究内容 | 第13-15页 |
| 第2章 振动信号降噪方法对比研究 | 第15-28页 |
| ·概述 | 第15页 |
| ·小波包降噪方法 | 第15-22页 |
| ·小波变换 | 第15-16页 |
| ·多分辨率分析 | 第16-18页 |
| ·小波包分析 | 第18-19页 |
| ·小波和小波包分解信号重构 | 第19页 |
| ·小波包降噪处理 | 第19-22页 |
| ·形态滤波方法 | 第22-24页 |
| ·形态滤波理论 | 第22-23页 |
| ·结构元素选取原则 | 第23-24页 |
| ·仿真实验 | 第24-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 周期能量特征和优化的 LMD 特征提取方法 | 第28-46页 |
| ·概述 | 第28页 |
| ·周期能量特征提取方法 | 第28-32页 |
| ·周期能量特征提取方法概述 | 第28页 |
| ·周期能量特征提取及归一化 | 第28-30页 |
| ·周期能量特征优化处理 | 第30-32页 |
| ·优化的 LMD 特征提取方法 | 第32-36页 |
| ·优化的 LMD 特征提取方法概述 | 第32页 |
| ·LMD 方法 | 第32-34页 |
| ·LMD 特征提取及归一化 | 第34-35页 |
| ·LMD 特征优化处理 | 第35-36页 |
| ·周期能量特征与优化的 LMD 特征提取实例分析 | 第36-45页 |
| ·周期能量特征提取实例分析 | 第37-39页 |
| ·优化的 LMD 特征提取实例分析 | 第39-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 基于周期能量特征与优化的 LMD 特征相结合的轴承障诊断方法 | 第46-57页 |
| ·概述 | 第46页 |
| ·RBF 神经网络学习算法 | 第46-51页 |
| ·神经元结构模型 | 第46-48页 |
| ·RBF 神经网络模型 | 第48-49页 |
| ·RBF 神经网络学习方法及特性 | 第49-51页 |
| ·轴承故障识别方法原理 | 第51-53页 |
| ·神经网络设计与训练 | 第53-54页 |
| ·故障识别实验 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第5章 总结与展望 | 第57-59页 |
| ·研究工作总结 | 第57页 |
| ·研究工作展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 研究生期间科研项目成果 | 第63-64页 |
| 致谢 | 第64-65页 |