| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 特征提取方法研究现状 | 第10-12页 |
| 1.2.2 评估指标建立方法研究现状 | 第12页 |
| 1.2.3 预测模型研究现状 | 第12-14页 |
| 1.3 本文的主要研究工作 | 第14-16页 |
| 第2章 滚动轴承振动信号的特征提取与筛选 | 第16-33页 |
| 2.1 引言 | 第16页 |
| 2.2 滚动轴承的基本结构及其运行状态的振动监测 | 第16-17页 |
| 2.3 轴承疲劳试验数据来源 | 第17-19页 |
| 2.4 原始振动数据降噪处理 | 第19-20页 |
| 2.5 滚动轴承现有的特征提取方法 | 第20-25页 |
| 2.5.1 时域 | 第20-21页 |
| 2.5.2 频域 | 第21-22页 |
| 2.5.3 时频域 | 第22-24页 |
| 2.5.4 熵特征 | 第24-25页 |
| 2.6 面向剩余寿命预测的特征筛选 | 第25-29页 |
| 2.7 多频率尺度模糊熵特征提取 | 第29-32页 |
| 2.8 本章小结 | 第32-33页 |
| 第3章 滚动轴承的评估指标建立与状态评估 | 第33-46页 |
| 3.1 引言 | 第33页 |
| 3.2 基于PCA的指标建立方法 | 第33-37页 |
| 3.2.1 主成分分析方法 | 第33-35页 |
| 3.2.2 指标的建立 | 第35-37页 |
| 3.3 多频率尺度模糊熵的仿真验证 | 第37-39页 |
| 3.4 基于多频率尺度模糊熵的轴承状态评估方法 | 第39-45页 |
| 3.4.1 参考轴承的状态划分 | 第41-43页 |
| 3.4.2 待测轴承的状态评估 | 第43-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于优化ELM的滚动轴承退化趋势及剩余寿命预测 | 第46-64页 |
| 4.1 引言 | 第46页 |
| 4.2 基于极限学习机模型的自适应预测算法 | 第46-48页 |
| 4.2.1 极限学习机模型 | 第46-47页 |
| 4.2.2 基于自适应粒子群优化算法的参数优化 | 第47-48页 |
| 4.3 基于ELM的滚动轴承退化趋势预测 | 第48-57页 |
| 4.3.1 退化趋势预测方法 | 第49页 |
| 4.3.2 退化趋势预测流程 | 第49-51页 |
| 4.3.3 试验验证 | 第51-57页 |
| 4.4 基于MELM的滚动轴承剩余寿命预测 | 第57-63页 |
| 4.4.1 剩余寿命预测流程 | 第58页 |
| 4.4.2 试验验证 | 第58-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第5章 结论与展望 | 第64-66页 |
| 5.1 结论 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 在校研究成果 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 附录Ⅰ多频率尺度模糊熵算法的MATLAB程序 | 第73-77页 |
| 附录Ⅱ基于自适应粒子群优化的 ELM 退化趋势预测算法的 MATLAB 程序 | 第77-86页 |
| 附录Ⅲ基于自适应粒子群优化的MELM剩余寿命预测算法的MATLAB程序 | 第86-90页 |
