| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-12页 |
| ·课题研究背景及意义 | 第7页 |
| ·国内外研究的现状 | 第7-10页 |
| ·本文的研究内容 | 第10-12页 |
| 第二章 基于声发射信号处理的轴承故障研究 | 第12-20页 |
| ·滚动轴承故障的特点 | 第12-13页 |
| ·声发射技术的理论概述 | 第13-18页 |
| ·声发射信号的分类 | 第13页 |
| ·声发射信号处理方法的介绍 | 第13-18页 |
| ·声发射技术在滚动轴承中诊断的机理 | 第18-19页 |
| ·声发射技术在滚动轴承中应用的优势 | 第19页 |
| ·本章小结 | 第19-20页 |
| 第三章 基于盲源分离的声发射信号处理方法的研究 | 第20-43页 |
| ·独立分量分析的数学模型 | 第20-23页 |
| ·信号的预处理方式 | 第23-25页 |
| ·去均值处理 | 第23-24页 |
| ·白化处理 | 第24-25页 |
| ·分析盲源分离算法 | 第25-31页 |
| ·快速独立分量分析(Fast ICA)算法 | 第26-29页 |
| ·Natural Gradient算法 | 第29-31页 |
| ·评价算法的分离性能 | 第31-32页 |
| ·声发射信号的特征分析 | 第32页 |
| ·仿真及实验结果的分析 | 第32-42页 |
| ·波形信号的分析 | 第33-38页 |
| ·语音信号的分析 | 第38-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 支持向量机在轴承故障诊断中的应用 | 第43-52页 |
| ·概述机器学习理论 | 第43-45页 |
| ·机器学习的主要策略 | 第44页 |
| ·机器学习系统的基本结构 | 第44-45页 |
| ·概述统计学习的问题 | 第45-46页 |
| ·支持向量机(SVM)算法 | 第46-51页 |
| ·分类超平面 | 第46-49页 |
| ·支持向量机分类算法的推导 | 第49-50页 |
| ·核函数 | 第50页 |
| ·SVM算法的优势 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 基于盲分离算法和支持向量机的轴承故障诊断研究 | 第52-63页 |
| ·铁路货车车轴轴承在线智能监测系统 | 第52-54页 |
| ·在线智能监测系统 | 第52-53页 |
| ·网络构架与数据采集层 | 第53-54页 |
| ·铁路货车轴承故障监测算法 | 第54-56页 |
| ·货车轴承声发射信号的盲分离特征提取算法 | 第54-55页 |
| ·支持向量机(SVM)的分类算法 | 第55-56页 |
| ·仿真试验结果及分析 | 第56-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| ·总结 | 第63-64页 |
| ·展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 攻读硕士学位期间科研及论文完成情况 | 第70页 |