| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 研究目的和意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-19页 |
| 1.3.1 滚动轴承故障诊断的发展历程和研究现状 | 第12-15页 |
| 1.3.2 流形学习的研究现状 | 第15-18页 |
| 1.3.3 滚动轴承故障识别方法 | 第18-19页 |
| 1.4 论文主要研究内容 | 第19-20页 |
| 1.5 本章小结 | 第20-21页 |
| 第2章 滚动轴承故障机理与特征分析 | 第21-28页 |
| 2.1 滚动轴承基本组成结构及失效形式 | 第21-23页 |
| 2.2 滚动轴承振动机理 | 第23-25页 |
| 2.3 滚动轴承故障及其特征分析 | 第25-27页 |
| 2.3.1 滚动轴承故障 | 第25-26页 |
| 2.3.2 滚动轴承故障冲击 | 第26-27页 |
| 2.3.3 故障特征分析 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于相空间重构和流形学习的信号降噪方法研究 | 第28-45页 |
| 3.1 引言 | 第28页 |
| 3.2 相空间重构理论 | 第28-36页 |
| 3.2.1 嵌入维数m选取 | 第29-32页 |
| 3.2.2 时间延迟选取 | 第32-34页 |
| 3.2.3 同时确定嵌入维数和时间延迟 | 第34-36页 |
| 3.3 局部切空间排列算法（LTSA） | 第36-38页 |
| 3.3.1 局部切空间排列算法 | 第36页 |
| 3.3.2 本证维数估计 | 第36-38页 |
| 3.4 基于相空间与流形学习的降噪方法 | 第38-39页 |
| 3.5 基于相空间与流形学习降噪方法的实验验证 | 第39-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 基于LLDE与SVM的滚动轴承故障识别模型 | 第45-61页 |
| 4.1 引言 | 第45页 |
| 4.2 FCBF特征选择方法 | 第45-47页 |
| 4.3 局部线性判别嵌入方法 | 第47-51页 |
| 4.3.1 局部线性嵌入 | 第47-48页 |
| 4.3.2 局部线性判别嵌入 | 第48-51页 |
| 4.4 支持向量机 | 第51-54页 |
| 4.5 基于LLDE与SVM的滚动轴承故障识别模型 | 第54-56页 |
| 4.6 模型验证 | 第56-60页 |
| 4.7 本章小结 | 第60-61页 |
| 第5章 滚动轴承故障诊断 | 第61-73页 |
| 5.1 基于相空间-流形学习的滚动轴承振动信号的降噪 | 第61-66页 |
| 5.2 基于LLDE和SVM模型的滚动轴承故障状态识别 | 第66-72页 |
| 5.2.1 滚动轴承故障类型识别 | 第66-69页 |
| 5.2.2 滚动轴承识别对比 | 第69-70页 |
| 5.2.3 滚动轴承滚动体损伤程度识别 | 第70-72页 |
| 5.3 本章小结 | 第72-73页 |
| 结论 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第79-80页 |
| 致谢 | 第80-81页 |
