| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-13页 |
| ·机械故障诊断的意义 | 第8页 |
| ·机械故障诊断技术的发展综述 | 第8-9页 |
| ·信号处理技术的发展 | 第9-10页 |
| ·支持向量机在机械故障诊断中的应用及意义 | 第10-11页 |
| ·支持向量机与EMD 方法结合在机械故障诊断中的应用 | 第11页 |
| ·本文的主要工作、创新点及全文结构 | 第11-13页 |
| ·主要工作及创新点 | 第11-12页 |
| ·全文结构 | 第12-13页 |
| 第二章 统计学习理论与支持向量机 | 第13-23页 |
| ·统计学习理论 | 第13-16页 |
| ·VC 维 | 第13-14页 |
| ·学习过程的一致性 | 第14页 |
| ·推广性的界 | 第14-15页 |
| ·结构风险最小化准则 | 第15-16页 |
| ·支持向量机 | 第16-20页 |
| ·广义最优分类面 | 第17-18页 |
| ·线性支持向量机 | 第18-19页 |
| ·非线性支持向量机 | 第19-20页 |
| ·支持向量机的多类分类算法 | 第20-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 经验模态分解法 | 第23-34页 |
| ·概述 | 第23页 |
| ·EMD 方法 | 第23-33页 |
| ·经验模态函数 | 第23-25页 |
| ·时间特征尺度 | 第25-26页 |
| ·经验模态分解步骤 | 第26-28页 |
| ·EMD 方法的特点 | 第28-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 机械故障模拟实验 | 第34-42页 |
| ·实验介绍 | 第34-38页 |
| ·实验1 | 第34-36页 |
| ·实验2 | 第36-38页 |
| ·如图所示的是振动信号数据采集系统 | 第38-40页 |
| ·加速度传感器 | 第39页 |
| ·放大器 | 第39页 |
| ·信号分析记录仪 | 第39-40页 |
| ·实验方案设计 | 第40页 |
| ·实验过程 | 第40-41页 |
| ·实验数据处理 | 第41页 |
| ·实验1 与实验2 的比较 | 第41-42页 |
| 第五章 基于支持向量机的轴承故障诊断 | 第42-59页 |
| ·故障特征提取及SVM 状态识别 | 第42-45页 |
| ·基于经验模态能量的故障诊断方法 | 第42页 |
| ·经验模态能量法的步骤 | 第42-43页 |
| ·实例分析 | 第43页 |
| ·基于经验模态能量比例的故障诊断方法 | 第43-45页 |
| ·基于EMD 奇异值的故障诊断方法 | 第45-48页 |
| ·经验模态奇异值分解 | 第45-46页 |
| ·基于EMD 奇异值及SVM 的故障诊断方法 | 第46页 |
| ·实例分析 | 第46-47页 |
| ·基于EMD 奇异值比的轴承故障诊断方法 | 第47-48页 |
| ·基于EMD 和AR 模型的滚动轴承故障诊断方法 | 第48-52页 |
| ·引言 | 第48-49页 |
| ·基于EMD 和AR 模型参数的故障诊断方法 | 第49-50页 |
| ·实例分析 | 第50-52页 |
| ·基于SVM 及EMD 的诊断方法在电机轴承故障诊断中的应用 | 第52-57页 |
| ·本章小结 | 第57-59页 |
| 第六章 一种融入近邻分类思想的支持向量机方法 | 第59-64页 |
| ·引言 | 第59页 |
| ·近邻分类器 | 第59-60页 |
| ·最近邻分类器 | 第59页 |
| ·K-近邻分类器 | 第59-60页 |
| ·本文方法 | 第60-61页 |
| ·实验结果及分析 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 第七章 结论与展望 | 第64-66页 |
| ·全文工作总结 | 第64-65页 |
| ·研究展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录 | 第69-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士学位期间发表的学术论文 | 第77页 |