| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究的背景与意义 | 第9页 |
| 1.2 基于自适应信号分解的旋转机械故障诊断研究现状 | 第9-12页 |
| 1.2.2 局部均值分解 | 第10-11页 |
| 1.2.3 其他自适应信号分解方法 | 第11-12页 |
| 1.3 课题来源及主要研究内容 | 第12-15页 |
| 1.3.1 问题提出与课题来源 | 第12-13页 |
| 1.3.2 论文研究内容与章节安排 | 第13-15页 |
| 第二章 变分模态分解方法 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 变分模态分解 | 第15-17页 |
| 2.3 参数对VMD算法的影响 | 第17-21页 |
| 2.4 VMD与EMD方法的对比研究 | 第21-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 参数优化变分模态分解方法及其应用 | 第25-61页 |
| 3.1 引言 | 第25-26页 |
| 3.2 蚁群优化变分模态分解方法 | 第26-47页 |
| 3.2.1 蚁群优化VMD原理 | 第26-28页 |
| 3.2.2 敏感分量提取方法——PMMDE | 第28-33页 |
| 3.2.3 ACOVMD在旋转机械故障诊断中的应用 | 第33-47页 |
| 3.3 自适应粒子群优化变分模态分解方法 | 第47-59页 |
| 3.3.1 自适应粒子群优化VMD原理 | 第47-50页 |
| 3.3.2 APSOVMD与PSOVMD、VMD、EMD对比分析 | 第50-52页 |
| 3.3.3 基于APSOVMD与包络阶次谱的变工况滚动轴承故障诊断 | 第52-59页 |
| 3.4 本章小结 | 第59-61页 |
| 第四章 基于VMD与单变量复杂度理论的故障诊断方法 | 第61-80页 |
| 4.1 引言 | 第61-62页 |
| 4.2 基于ACMFE与迭代拉普拉斯的故障诊断方法 | 第62-68页 |
| 4.2.1 自适应多尺度模糊熵算法 | 第62-64页 |
| 4.2.2 方法步骤及实验数据分析 | 第64-68页 |
| 4.3 基于多尺度时不可逆与t-分布领域嵌入的故障诊断方法 | 第68-79页 |
| 4.3.1 多尺度时不可逆算法 | 第68-70页 |
| 4.3.2 仿真信号分析 | 第70-71页 |
| 4.3.3 t-SNE流形学习算法 | 第71页 |
| 4.3.4 基于MSTI、t-SNE和PSO-SVM的滚动轴承故障诊断方法 | 第71-79页 |
| 4.4 本章小结 | 第79-80页 |
| 第五章 基于参数优化VMD的多变量复杂度理论及其应用 | 第80-104页 |
| 5.1 引言 | 第80-81页 |
| 5.2 改进多元多尺度熵 | 第81-89页 |
| 5.2.1 改进多元多尺度熵算法 | 第81-82页 |
| 5.2.2 参数的选取 | 第82页 |
| 5.2.3 多通道数据仿真分析 | 第82-83页 |
| 5.2.4 基于IMMSE、t-SEN流形学习和VPMCD的滚动轴承故障诊断 | 第83-89页 |
| 5.3 基于参数优化VMD的自适应精确复合多元多尺度模糊熵 | 第89-103页 |
| 5.3.1 多元模糊熵 | 第89-90页 |
| 5.3.2 参数对改进多元模糊熵的影响 | 第90-91页 |
| 5.3.3 自适应精确复合多元多尺度模糊熵算法 | 第91-94页 |
| 5.3.4 基于ARCMMFE和VPMELM的旋转机械故障诊断 | 第94-103页 |
| 5.4 本章小结 | 第103-104页 |
| 结论与展望 | 第104-105页 |
| 参考文献 | 第105-114页 |
| 致谢 | 第114-115页 |
| 附录A 攻读学位期间发表和录用论文目录 | 第115-116页 |
| 附录B 参与的课题与科研项目 | 第116页 |
