| 摘要 | 第2-3页 |
| abstract | 第3页 |
| 第一章 绪论 | 第6-12页 |
| 1.1 课题研究背景与意义 | 第6页 |
| 1.2 滚动轴承故障监测与诊断技术的发展 | 第6-7页 |
| 1.3 国外研究现状 | 第7-8页 |
| 1.4 国内研究状况 | 第8页 |
| 1.5 轨道车辆故障诊断技术概述 | 第8-10页 |
| 1.6 论文的主要内容与结构 | 第10-12页 |
| 第二章 轨道车辆滚动轴承故障特征分析与提取 | 第12-20页 |
| 2.1 轨道交通车辆滚动轴承概述 | 第12-15页 |
| 2.1.1 滚动轴承结构 | 第12页 |
| 2.1.2 滚动轴承常见故障类型及成因 | 第12-13页 |
| 2.1.3 滚动轴承故障信号特征分析 | 第13-15页 |
| 2.2 滚动轴承故障特征信号的研究与提取 | 第15-19页 |
| 2.2.1 滚动轴承的时域、幅值域分析研究 | 第15-16页 |
| 2.2.2 滚动轴承故障特征信号的频域分析研究 | 第16-17页 |
| 2.2.3 滚动轴承故障特征的小波包分析研究 | 第17-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第三章 滚动轴承故障诊断算法研究 | 第20-26页 |
| 3.1 RBF神经网络算法 | 第20-22页 |
| 3.2 遗传算法优化RBF神经网络 | 第22-24页 |
| 3.2.1 遗传算法概述 | 第22页 |
| 3.2.2 GA-RBF的实现 | 第22-24页 |
| 3.3 支持向量机 | 第24-25页 |
| 3.4 本章小结 | 第25-26页 |
| 第四章 基于小波包与SVM模型和GA-RBF模型故障诊断实验研究 | 第26-34页 |
| 4.1 小波包变换提取故障能量特征 | 第26-28页 |
| 4.2 基于SVM的滚动轴承故障诊断 | 第28-30页 |
| 4.3 基于遗传算法优化的RBF的滚动轴承故障诊断 | 第30-32页 |
| 4.4 本章小结 | 第32-34页 |
| 第五章 基于LabVIEW和MATLAB轴承故障监测诊断系统开发 | 第34-44页 |
| 5.1 LabVIEW及MATLAB简介 | 第34页 |
| 5.2 系统硬件设计 | 第34-37页 |
| 5.2.1 信号调理模块 | 第36页 |
| 5.2.2 采集模块 | 第36页 |
| 5.2.3 监测诊断界面 | 第36-37页 |
| 5.3 系统软件设计 | 第37-40页 |
| 5.3.1 下位机程序 | 第37-38页 |
| 5.3.2 上位机程序 | 第38-40页 |
| 5.4 系统调试运行 | 第40-44页 |
| 总结与展望 | 第44-46页 |
| 参考文献 | 第46-50页 |
| 攻读学位期间研究成果 | 第50-52页 |
| 致谢 | 第52-54页 |
