| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第14-19页 |
| 1.1 课题研究的背景和意义 | 第14-15页 |
| 1.2 滚动轴承故障诊断技术的现状与发展趋势 | 第15-17页 |
| 1.3 课题提出与章节安排 | 第17-19页 |
| 1.3.1 课题提出 | 第17页 |
| 1.3.2 论文的章节安排 | 第17-19页 |
| 第2章 滚动轴承故障机理及故障诊断技术 | 第19-29页 |
| 2.1 滚动轴承结构 | 第19-20页 |
| 2.2 滚动轴承振动机理及其振动特征 | 第20-23页 |
| 2.2.1 滚动轴承振动机理 | 第20页 |
| 2.2.2 滚动轴承振动特征分析 | 第20-23页 |
| 2.3 滚动轴承故障诊断方法 | 第23-28页 |
| 2.3.1 滚动轴承故障诊断流程 | 第23页 |
| 2.3.2 滚动轴承信号处理方法 | 第23-26页 |
| 2.3.3 滚动轴承故障模式识别方法 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 变量预测模型模式识别方法 | 第29-37页 |
| 3.1 变量预测模型 | 第29-30页 |
| 3.2 VPMCD方法原理 | 第30-31页 |
| 3.3 VPMCD在实际中的应用 | 第31-36页 |
| 3.3.1 VPMCD在UCI标准数据中的应用 | 第31页 |
| 3.3.2 VPMCD在滚动轴承故障诊断中的应用 | 第31-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于WVPMCD和LCD的滚动轴承故障诊断方法 | 第37-52页 |
| 4.1 局部特征尺度分解 | 第38-41页 |
| 4.1.1 局部特征尺度分解（LCD）算法 | 第38-39页 |
| 4.1.2 信号仿真分析 | 第39-41页 |
| 4.2 基于LCD的混合故障盲源分离方法 | 第41-46页 |
| 4.2.1 盲源分离 | 第41页 |
| 4.2.2 基于LCD的盲源分离方法 | 第41-43页 |
| 4.2.3 仿真分析 | 第43-44页 |
| 4.2.4 实例分析 | 第44-46页 |
| 4.3 基于加权最小二乘估计的WVPMCD方法 | 第46-47页 |
| 4.3.1 WVPMCD方法 | 第46页 |
| 4.3.2 仿真分析 | 第46-47页 |
| 4.4 WVPMCD方法在滚动轴承故障诊断中的应用 | 第47-51页 |
| 4.4.1 基于WVPMCD的滚动轴承故障诊断方法 | 第47-48页 |
| 4.4.2 实例应用 | 第48-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 基于PVPMCD和ASTFA的滚动轴承故障诊断方法 | 第52-61页 |
| 5.1 自适应最稀疏时频分析(ASTFA)方法 | 第53-56页 |
| 5.1.1 ASTFA方法 | 第53页 |
| 5.1.2 仿真对比分析 | 第53-56页 |
| 5.2 基于偏最小二乘的PVPMCD方法 | 第56-57页 |
| 5.2.1 PVPMCD方法 | 第56页 |
| 5.2.2 仿真分析 | 第56-57页 |
| 5.3 基于PVPMCD和ASTFA的滚动轴承故障诊断方法 | 第57-60页 |
| 5.3.1 基于ASTFA的Hilbert谱奇异值特征提取方法 | 第57-58页 |
| 5.3.2 实例应用 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第6章 基于LDA-VPMCD的滚动轴承劣化状态辨识研究 | 第61-69页 |
| 6.1 基于LDA-VPMCD的滚动轴承劣化状态辨识方法 | 第62-65页 |
| 6.1.1 线性判别分析算法 | 第62页 |
| 6.1.2 多尺度熵 | 第62-63页 |
| 6.1.3 基于LDA-VPMCD的滚动轴承劣化状态辨识方法 | 第63-65页 |
| 6.2 实例应用 | 第65-68页 |
| 6.3 本章小结 | 第68-69页 |
| 结论与展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-76页 |
| 附录A 攻读学位期间发表和录用的论文目录 | 第76-77页 |
| 附录B 攻读学位期间参与的科研项目 | 第77页 |
