| 第一章 绪论 | 第1-15页 |
| ·滚动轴承故障诊断的意义和内容 | 第11-12页 |
| ·国内外研究的概况及发展趋势 | 第12-15页 |
| 第二章 滚动轴承的振动机理与信号特征 | 第15-23页 |
| ·滚动轴承振动的基本参数 | 第15-18页 |
| ·滚动轴承的典型结构 | 第15-16页 |
| ·滚动轴承的特征频率与固有振动频率 | 第16-18页 |
| ·正常轴承的振动信号特征 | 第18-20页 |
| ·故障轴承振动信号特点 | 第20-23页 |
| 第三章 轴承模拟故障试验方案 | 第23-27页 |
| ·数据采集系统的组成 | 第23-24页 |
| ·测点选择原则 | 第24-25页 |
| ·振动信号的采集 | 第25-27页 |
| 第四章 小波分析 | 第27-35页 |
| ·小波变换及其基本性质 | 第27-29页 |
| ·连续小波变换 | 第27-28页 |
| ·连续小波变换的离散化 | 第28页 |
| ·多分辨率分析 | 第28-29页 |
| ·小波包变换 | 第29-30页 |
| ·利用小波包分析进行轴承故障信号的降噪处理 | 第30-32页 |
| ·利用小波包分析进行轴承故障的特征向量提取 | 第32-35页 |
| ·频带分析技术 | 第32-33页 |
| ·利用小波包进行特征向量提取 | 第33-35页 |
| 第五章 基于遗传算法和人工神经网络的故障诊断 | 第35-59页 |
| ·BP神经网络 | 第35-42页 |
| ·BP网络数学推导过程 | 第36-37页 |
| ·BP网络模式识别的过程 | 第37-38页 |
| ·隐含层数目的选择 | 第38页 |
| ·对于隐含层节点数的选择 | 第38-42页 |
| ·遗传算法与神经网络的结合 | 第42-45页 |
| ·遗传算法概述 | 第43-44页 |
| ·传算法的实现 | 第44-45页 |
| ·遗传算法优化神经网络初始权值及阈值的步骤 | 第45-49页 |
| ·编码方式 | 第45-48页 |
| ·遗传算法的初始化 | 第48页 |
| ·适应度函数的确定 | 第48-49页 |
| ·初始群体的设定 | 第49页 |
| ·遗传操作 | 第49-57页 |
| ·选择算子的选择 | 第50-53页 |
| ·交叉算子的选择 | 第53-54页 |
| ·变异算子的选择 | 第54-56页 |
| ·终止条件 | 第56页 |
| ·实数编码交叉概率和突变概率的确定 | 第56-57页 |
| ·遗传算法和神经网络的结合的仿真结果 | 第57-59页 |
| 第六章 基于支持向量机的故障诊断 | 第59-77页 |
| ·统计学习理论的基本思想 | 第59-62页 |
| ·VC维 | 第60-61页 |
| ·推广性的界与结构风险最小化原理 | 第61-62页 |
| ·结构风险最小化基本想法 | 第62页 |
| ·支持向量机基本方法 | 第62-68页 |
| ·支持向量机算法 | 第68-71页 |
| ·C-SVM二分类算法 | 第68-69页 |
| ·v-SVM二分类算法 | 第69-70页 |
| ·最小二乘支持向量机(least-square SVM)算法 | 第70-71页 |
| ·基于支持向量机的轴承故障诊断 | 第71-77页 |
| ·基于v-SVM算法的仿真 | 第71-72页 |
| ·基于最小二乘支持向量机(least-Square SVM)算法的仿真 | 第72-77页 |
| 第七章 总结 | 第77-79页 |
| 参考文献 | 第79-82页 |
| 致谢 | 第82-83页 |
| 读硕士学位期间发表的论文 | 第83页 |