| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 选题背景及研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 电机轴承故障诊断研究现状 | 第9-11页 |
| 1.2.2 性能评估研究现状 | 第11-12页 |
| 1.3 研究内容与结构安排 | 第12-14页 |
| 1.3.1 研究内容 | 第12页 |
| 1.3.2 结构安排 | 第12-14页 |
| 第二章 基于正交匹配追踪与小波包的轴承故障特征提取 | 第14-25页 |
| 2.1 轴承基本结构与工作原理 | 第14页 |
| 2.2 失效形式分析与成因 | 第14-15页 |
| 2.3 振动机理与特征频率 | 第15-17页 |
| 2.3.1 振动机理分析 | 第15页 |
| 2.3.2 特征频率分析 | 第15-17页 |
| 2.4 小波包分析特征提取方法的改进 | 第17-20页 |
| 2.4.1 小波包分析 | 第17-19页 |
| 2.4.2 改进的小波包分解与重构 | 第19-20页 |
| 2.4.3 基于改进小波包能量谱的特征提取 | 第20页 |
| 2.5 基于正交匹配追踪方法的特征提取过程优化分析 | 第20-24页 |
| 2.5.1 正交匹配追踪算法 | 第21-22页 |
| 2.5.2 轴承故障特征提取过程优化分析 | 第22-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 基于鲸鱼算法优化WKELM的滚动轴承故障诊断 | 第25-39页 |
| 3.1 极限学习机 | 第25-28页 |
| 3.1.1 极限学习机分类模型 | 第25-27页 |
| 3.1.2 引入小波核函数的极限学习机 | 第27-28页 |
| 3.2 基于改进WOA算法的WKELM参数优化 | 第28-32页 |
| 3.2.1 标准鲸鱼优化算法 | 第29-30页 |
| 3.2.2 冯诺依曼拓扑结构 | 第30页 |
| 3.2.3 改进后的鲸鱼算法 | 第30-31页 |
| 3.2.4 WKELM参数的选择 | 第31-32页 |
| 3.3 VNWOA优化WKELM分类模型 | 第32-33页 |
| 3.4 实验结果与分析 | 第33-38页 |
| 3.4.1 轴承的故障模式 | 第33-34页 |
| 3.4.2 VNWOA性能评估 | 第34-36页 |
| 3.4.3 VNWOA优化WKELM的故障识别 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 融合KPCA与信息粒化的滚动轴承性能退化SVM预测 | 第39-54页 |
| 4.1 构建性能退化评估指标 | 第39-42页 |
| 4.1.1 基于KPCA算法的性能退化指标提取 | 第40-42页 |
| 4.1.2 性能退化指标模糊信息粒化的确立 | 第42页 |
| 4.2 基于支持向量机的性能退化趋势回归模型和参数寻优 | 第42-45页 |
| 4.2.1 支持向量机回归原理 | 第43-44页 |
| 4.2.2 回归模型核函数和参数的选择 | 第44-45页 |
| 4.3 模糊信息粒化SVM预测模型的构建 | 第45-46页 |
| 4.4 实验结果与分析 | 第46-53页 |
| 4.4.1 基于KCPA的性能退化评估 | 第46-48页 |
| 4.4.2 模糊信息粒化的性能退化趋势预测结果分析 | 第48-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 结论与展望 | 第54-56页 |
| 5.1 主要结论 | 第54-55页 |
| 5.2 未来展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录:作者在攻读硕士学位期间科研成果 | 第61页 |
