| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 滚动轴承信号预处理方法的研究 | 第8-10页 |
| 1.2.1 基于小波的去噪方法 | 第9页 |
| 1.2.2 基于经验模态分解的去噪方法 | 第9页 |
| 1.2.3 基于稀疏分解的去噪方法 | 第9-10页 |
| 1.2.4 其他去噪方法 | 第10页 |
| 1.3 滚动轴承故障诊断研究现状 | 第10-12页 |
| 1.3.1 滚动轴承传统分析方法 | 第10-11页 |
| 1.3.2 滚动轴承智能诊断方法 | 第11-12页 |
| 1.4 本文的主要工作及内容安排 | 第12-15页 |
| 2 基于GVMD与小波阈值的去噪分析 | 第15-26页 |
| 2.1 变分模态分解理论 | 第15-16页 |
| 2.2 遗传算法优化VMD参数 | 第16-17页 |
| 2.3 小波阈值分析 | 第17-18页 |
| 2.4 去噪方法和评价参数 | 第18-19页 |
| 2.4.1 GVMD与小波阈值去噪方法 | 第18-19页 |
| 2.4.2 去噪效果评价 | 第19页 |
| 2.5 实验分析 | 第19-24页 |
| 2.5.1 仿真分析 | 第19-21页 |
| 2.5.2 实例分析 | 第21-24页 |
| 2.6 本章小结 | 第24-26页 |
| 3 基于GVMD包络谱的故障分析方法 | 第26-38页 |
| 3.1 滚动轴承的故障主要形式及原因 | 第26-27页 |
| 3.2 故障轴承特征频率的计算 | 第27-28页 |
| 3.3 包络谱算法 | 第28-29页 |
| 3.3.1 包络原理 | 第28-29页 |
| 3.3.2 包络谱 | 第29页 |
| 3.4 基于GVMD的包络谱分析法 | 第29-37页 |
| 3.4.1 基于遗传算法的VMD参数优化 | 第29-31页 |
| 3.4.2 基于GVMD的包络谱分析 | 第31-32页 |
| 3.4.3 实验分析 | 第32-37页 |
| 3.5 本章小结 | 第37-38页 |
| 4 基于多特征流形学习的滚动轴承故障诊断 | 第38-57页 |
| 4.1 流形学习理论 | 第38-43页 |
| 4.1.1 流形学习概念 | 第38页 |
| 4.1.2 典型的流形学习算法 | 第38-43页 |
| 4.2 滚动轴承故障诊断方案 | 第43-44页 |
| 4.3 特征向量的构造 | 第44-46页 |
| 4.3.1 时域特征 | 第44-45页 |
| 4.3.2 时频域特征 | 第45-46页 |
| 4.4 故障诊断过程 | 第46-47页 |
| 4.5 实验分析 | 第47-55页 |
| 4.6 本章小结 | 第55-57页 |
| 5 总结与展望 | 第57-60页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65页 |
| A. 攻读硕士期间发表的论文目录 | 第65页 |
| B. 作者在攻读硕士学位期间取得的科研成果及获奖目录 | 第65页 |
| C. 作者在攻读硕士期间参与的科研项目 | 第65页 |