| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题来源 | 第9页 |
| 1.2 大型机械加工设备轴承故障诊断的研究意义 | 第9-10页 |
| 1.3 大型机械加工设备轴承故障研究现状 | 第10-12页 |
| 1.3.0 大型机械加工设备的故障诊断技术的发展 | 第10-11页 |
| 1.3.1 常见的轴承故障类型 | 第11页 |
| 1.3.2 轴承故障诊断方法 | 第11-12页 |
| 1.4 基于振动信号的轴承故障的特征提取方法 | 第12-15页 |
| 1.5 轴承故障识别方法 | 第15-17页 |
| 1.5.1 支持向量机 | 第15-16页 |
| 1.5.2 最小二乘支持向量机 | 第16页 |
| 1.5.3 PSO优化算法 | 第16-17页 |
| 1.6 论文的主要研究内容 | 第17-18页 |
| 1.7 本章小结 | 第18-19页 |
| 第二章 轴承振动信号分析及特征提取 | 第19-36页 |
| 2.1 大型加工机械设备轴承运行特点及数据采集方法 | 第19-20页 |
| 2.2 LMD算法 | 第20-26页 |
| 2.2.1 LMD算法过程 | 第20-22页 |
| 2.2.2 虚假分量及判别方法 | 第22-23页 |
| 2.2.3 端点效应及改进方法 | 第23-25页 |
| 2.2.4 噪声对LMD分解的影响 | 第25-26页 |
| 2.3 数学形态学降噪 | 第26-29页 |
| 2.3.1 数学形态基本运算 | 第26-28页 |
| 2.3.2 结构元素的选取 | 第28-29页 |
| 2.4 基于形态学降噪的双LMD降噪及特征提取 | 第29-30页 |
| 2.5 信号仿真实验 | 第30-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 基于PSO-LSSVM的轴承故障诊断 | 第36-60页 |
| 3.1 最小二乘支持向量机 | 第36-37页 |
| 3.2 核函数 | 第37-39页 |
| 3.2.1 常用核函数 | 第37-38页 |
| 3.2.2 适应信号特点的新核函数 | 第38-39页 |
| 3.3 LSSVM参数对分类的影响 | 第39-41页 |
| 3.4 LSSVM的多分类问题 | 第41-42页 |
| 3.5 改进的粒子群算法 | 第42-45页 |
| 3.5.1 PSO算法 | 第42-43页 |
| 3.5.2 PSO的改进方法 | 第43-45页 |
| 3.6 基于改进的PSO-LSSVM算法 | 第45-46页 |
| 3.7 PSO- LSSVM的评价指标 | 第46-47页 |
| 3.8 基于双LMD的PSO-LSSVM大型机械加工设备的轴承故障诊断方法393.9 轴承故障诊断实验方法研究 | 第47-48页 |
| 3.9 轴承故障诊断实验方法研究 | 第48-59页 |
| 3.9.1 大型加工机械的轴承信号测量 | 第48-49页 |
| 3.9.2 双LMD信号处理及特征提取 | 第49-56页 |
| 3.9.3 轴承故障预测 | 第56-59页 |
| 3.10 本章小结 | 第59-60页 |
| 第四章 可视化的大型机械加工设备的轴承故障诊断程序 | 第60-66页 |
| 4.1 系统的功能 | 第60页 |
| 4.2 可视化的大型机械加工设备的轴承故障诊断程序设计 | 第60-65页 |
| 4.2.1 信号处理过程的的可视化 | 第60-63页 |
| 4.2.2 轴承故障诊断 | 第63-65页 |
| 4.3 本章小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间发表的论文和科研情况 | 第71-72页 |
| 致谢 | 第72页 |
