| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-11页 |
| 图表清单 | 第11-17页 |
| 注释表 | 第17-18页 |
| 缩略词 | 第18-20页 |
| 第一章 绪论 | 第20-34页 |
| ·机械故障诊断技术的研究意义和研究现状 | 第20-22页 |
| ·机械故障诊断技术的研究意义 | 第20-21页 |
| ·机械故障诊断技术的研究现状 | 第21-22页 |
| ·基于信号分析和处理技术的机械故障诊断方法 | 第22-26页 |
| ·短时 Fourier 变换 | 第22-23页 |
| ·Winger-Ville 分布 | 第23页 |
| ·小波变换 | 第23-24页 |
| ·经验模式分解 | 第24页 |
| ·局部均值分解 | 第24-25页 |
| ·盲源分离 | 第25页 |
| ·循环平稳信号分析 | 第25-26页 |
| ·基于模型的机械故障诊断方法 | 第26-27页 |
| ·时间序列模型 | 第26页 |
| ·隐 Markov 模型 | 第26页 |
| ·协整理论模型 | 第26-27页 |
| ·基于人工智能的机械故障诊断方法 | 第27-29页 |
| ·神经网络 | 第27页 |
| ·专家系统 | 第27-28页 |
| ·模糊理论 | 第28页 |
| ·粗糙集理论 | 第28页 |
| ·支持向量机 | 第28-29页 |
| ·基于非线性理论的机械故障诊断方法 | 第29-31页 |
| ·随机共振 | 第29-30页 |
| ·流形 | 第30页 |
| ·混沌和分形 | 第30页 |
| ·去趋势波动分析 | 第30-31页 |
| ·研究课题的提出 | 第31页 |
| ·本文的主要创新点 | 第31-32页 |
| ·本文的内容安排 | 第32-34页 |
| 第二章 复杂系统的标度行为及其动力学机制 | 第34-45页 |
| ·复杂系统的标度行为 | 第34-35页 |
| ·复杂标度行为的动力学机制 | 第35-38页 |
| ·Barabási-Albert 模型 | 第35-36页 |
| ·自组织临界(SOC) | 第36-37页 |
| ·HOT 理论 | 第37-38页 |
| ·分形 | 第38-41页 |
| ·分形的定义 | 第38-39页 |
| ·分形产生的物理机制 | 第39页 |
| ·复杂系统的自相似性和标度不变性 | 第39页 |
| ·分形维数 | 第39-40页 |
| ·多重分形 | 第40-41页 |
| ·传统的标度分析方法 | 第41-44页 |
| ·相关函数分析法 | 第42页 |
| ·功率谱密度分析法 | 第42页 |
| ·重标极差(R/S)分析法 | 第42-43页 |
| ·WT 和 EMD 方法 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第三章 基于时间序列多标度指数特征的机械故障特征提取方法 | 第45-66页 |
| ·引言 | 第45-46页 |
| ·去趋势波动分析(DFA) | 第46-47页 |
| ·DFA 方法 | 第46页 |
| ·标度指数的物理意义 | 第46-47页 |
| ·基于时间序列多标度指数特征的机械故障特征提取方法 | 第47页 |
| ·实验验证 | 第47-65页 |
| ·齿轮箱故障诊断 | 第47-55页 |
| ·滚动轴承故障诊断 | 第55-59页 |
| ·滚动轴承损伤程度识别 | 第59-65页 |
| ·本章小结 | 第65-66页 |
| 第四章 基于增量序列标度特征的机械故障诊断方法 | 第66-90页 |
| ·引言 | 第66-67页 |
| ·增量序列的动力学特征 | 第67-71页 |
| ·增量序列与原序列的波动特征之间的关系 | 第67-68页 |
| ·数据的重排和替代 | 第68页 |
| ·增量序列的符号分量和幅值分量及其动力学特征 | 第68-71页 |
| ·基于增量序列标度特征的机械故障诊断方法 | 第71页 |
| ·实验验证 | 第71-81页 |
| ·齿轮箱故障诊断及其“故障线” | 第71-78页 |
| ·滚动轴承故障诊断及其“故障线” | 第78-81页 |
| ·“故障线”现象及其成因研究 | 第81-88页 |
| ·本章小结 | 第88-90页 |
| 第五章 基于时间序列多重分形特征的齿轮箱故障特征提取 | 第90-110页 |
| ·引言 | 第90-91页 |
| ·多重分形去趋势波动分析(MF-DFA) | 第91-94页 |
| ·MF-DFA 方法 | 第91-92页 |
| ·MF-DFA 与经典多重分形理论的关系 | 第92-93页 |
| ·时间序列多重分形类型的确定方法 | 第93-94页 |
| ·基于时间序列多重分形特征的齿轮箱故障特征提取方法 | 第94页 |
| ·实验验证 | 第94-105页 |
| ·齿轮箱振动数据出现多重分形的原因 | 第105-109页 |
| ·本章小结 | 第109-110页 |
| 第六章 基于 MF-DFA 和马氏距离判别法的滚动轴承故障诊断 | 第110-131页 |
| ·引言 | 第110页 |
| ·基于 MF-DFA 和马氏距离判别法的滚动轴承故障诊断方法 | 第110-112页 |
| ·马氏距离判别法 | 第110-111页 |
| ·基于 MF-DFA 和马氏距离判别法的机械故障诊断方法 | 第111-112页 |
| ·实验验证 | 第112-123页 |
| ·滚动轴承振动数据出现多重分形的原因 | 第123-125页 |
| ·MF-DFA 与其它故障特征提取方法的比较 | 第125-129页 |
| ·马氏距离判别法和神经网络在轴承故障特征分类中的性能比较 | 第129-130页 |
| ·本章小结 | 第130-131页 |
| 第七章 总结与展望 | 第131-134页 |
| ·研究总结 | 第131-132页 |
| ·展望 | 第132-134页 |
| 参考文献 | 第134-145页 |
| 致谢 | 第145-146页 |
| 在学期间的研究成果及发表的学术论文 | 第146页 |
