| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 机械故障诊断研究背景与意义 | 第10页 |
| 1.2 机械故障诊断技术的发展概况 | 第10-12页 |
| 1.3 机械故障诊断方法研究现状 | 第12-14页 |
| 1.3.1 特征提取研究 | 第12-14页 |
| 1.3.2 模式识别研究 | 第14页 |
| 1.4 论文主要研究内容 | 第14-16页 |
| 第2章 基于混沌奇异谱的特征提取 | 第16-30页 |
| 2.1 奇异谱理论 | 第16-20页 |
| 2.1.1 奇异谱的抗噪声能力分析 | 第17-18页 |
| 2.1.2 奇异谱稳定性分析 | 第18-20页 |
| 2.2 奇异谱对混沌空间向量的几何分析 | 第20-21页 |
| 2.3 奇异谱抗噪声能力及稳定性数值验证 | 第21-24页 |
| 2.4 故障诊断实例 | 第24-29页 |
| 2.4.1 滚动轴承故障诊断实验平台简介 | 第24-25页 |
| 2.4.2 轴承振动信号的混沌判别 | 第25-26页 |
| 2.4.3 轴承振动信号的奇异谱 | 第26-27页 |
| 2.4.4 轴承故障诊断实验 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于DBN分类器的模式识别 | 第30-39页 |
| 3.1 人工神经网络 | 第30-32页 |
| 3.2 DBN分类器 | 第32-34页 |
| 3.2.1 DBN分类器结构 | 第32页 |
| 3.2.2 RBM训练 | 第32-34页 |
| 3.2.3 反向误差传播 | 第34页 |
| 3.3 基于DBN及VMD样本熵的轴承故障诊断 | 第34-38页 |
| 3.3.1 变分模态分解 | 第35-36页 |
| 3.3.2 轴承故障诊断实验 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于奇异谱分解的复合故障诊断 | 第39-53页 |
| 4.1 奇异谱分解 | 第39-42页 |
| 4.2 振动信号的独立成分分析 | 第42-43页 |
| 4.3 奇异谱分解算法的研究 | 第43-49页 |
| 4.3.1 SSD自适应分解 | 第43-45页 |
| 4.3.2 基于SSD与谱峭度解调分析的轴承故障诊断 | 第45-49页 |
| 4.4 基于SSD和ICA的复合故障诊断方法 | 第49-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 滚动轴承故障诊断实验 | 第53-65页 |
| 5.1 单一故障诊断实验 | 第53-58页 |
| 5.1.1 单一故障诊断实验步骤 | 第53页 |
| 5.1.2 单一故障振动信号的时频分析 | 第53-55页 |
| 5.1.3 单一故障振动信号的诊断 | 第55-58页 |
| 5.2 复合故障诊断实验 | 第58-62页 |
| 5.2.1 滚动轴承故障模拟实验系统 | 第58页 |
| 5.2.2 基于SSD和ICA的复合故障诊断 | 第58-62页 |
| 5.3 上海宝钢热轧机轴承分析 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第72-73页 |
| 致谢 | 第73页 |