| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 选题意义 | 第11-12页 |
| 1.2 滚动轴承故障诊断技术发展及研究现状 | 第12-18页 |
| 1.2.1 小波去噪理论 | 第14-15页 |
| 1.2.2 排列熵理论 | 第15-16页 |
| 1.2.3 分形理论 | 第16-17页 |
| 1.2.4 支持向量机理论 | 第17-18页 |
| 1.3 本论文主要研究内容 | 第18-21页 |
| 1.3.1 研究思路 | 第18-19页 |
| 1.3.2 论文主要工作及安排 | 第19-21页 |
| 第二章 滚动轴承实验及数据获取 | 第21-27页 |
| 2.1 滚动轴承故障特征频率 | 第21页 |
| 2.2 轴承故障数据的来源及分析 | 第21-26页 |
| 2.2.1 轴承故障数据来源 | 第21-22页 |
| 2.2.2 轴承故障各个状态信号的分析 | 第22-25页 |
| 2.2.3 故障过程信号的采集 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 滚动轴承信号的小波去噪处理 | 第27-39页 |
| 3.1 小波去噪基础理论 | 第27-28页 |
| 3.2 小波去噪方法 | 第28-32页 |
| 3.2.1 小波空域相关去噪 | 第29-30页 |
| 3.2.2 小波阈值去噪方法 | 第30-32页 |
| 3.3 改进的小波去噪方法及信号分析 | 第32-37页 |
| 3.3.1 小波阈值去噪与空域相关去噪相结合的去噪方法 | 第32-33页 |
| 3.3.2 测试信号分析 | 第33-36页 |
| 3.3.3 其它信号的去噪结果 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 基于排列熵与分析理论的特征提取方法 | 第39-61页 |
| 4.1 相空间重构 | 第39-46页 |
| 4.1.1 时间延迟的确定 | 第40-41页 |
| 4.1.2 嵌入维数的确定 | 第41-42页 |
| 4.1.3 测试信号的相空间重构 | 第42-46页 |
| 4.2 信号的排列熵特征提取 | 第46-53页 |
| 4.2.1 排列熵算法原理 | 第46-48页 |
| 4.2.2 信号的排列熵分析 | 第48-53页 |
| 4.3 信号的分形特征提取 | 第53-59页 |
| 4.3.1 盒维数 | 第53页 |
| 4.3.2 关联维数 | 第53-55页 |
| 4.3.3 信号的分形特征分析 | 第55-59页 |
| 4.4 本章小结 | 第59-61页 |
| 第五章 基于支持向量机的智能故障诊断方法 | 第61-77页 |
| 5.1 支持向量机 | 第61-66页 |
| 5.1.1 理论基础 | 第61-65页 |
| 5.1.2 多类支持向量机 | 第65-66页 |
| 5.2 支持向量回归机 | 第66-68页 |
| 5.3 使用支持向量分类机对数据分析 | 第68-73页 |
| 5.3.1 分形特征的SVM分类 | 第68-70页 |
| 5.3.2 排列熵特征的SVM分类 | 第70-73页 |
| 5.3.3 两种特征的分类比较 | 第73页 |
| 5.4 使用支持向量回归机对数据分析 | 第73-76页 |
| 5.4.1 分形特征的SVR分析回归 | 第73-74页 |
| 5.4.2 排列熵的SVR分析回归 | 第74-76页 |
| 5.5 本章小结 | 第76-77页 |
| 第六章 结论与展望 | 第77-79页 |
| 6.1 本文的主要工作与结论 | 第77-78页 |
| 6.2 进一步工作展望 | 第78-79页 |
| 参考文献 | 第79-89页 |
| 致谢 | 第89-91页 |
| 攻读硕士期间发表的论文和科研成果 | 第91页 |