| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 主要符号说明表 | 第9-15页 |
| 第一章 绪论 | 第15-33页 |
| 1.1 课题概述 | 第15-16页 |
| 1.1.1 课题来源 | 第15页 |
| 1.1.2 课题意义 | 第15-16页 |
| 1.2 压缩感知理论及研究现状 | 第16-24页 |
| 1.2.1 压缩感知起源与发展概况 | 第16-18页 |
| 1.2.2 压缩感知理论概述 | 第18-19页 |
| 1.2.3 压缩感知中感知观测问题 | 第19-21页 |
| 1.2.4 压缩感知中重构恢复问题 | 第21-22页 |
| 1.2.5 压缩感知的特点和对比 | 第22-24页 |
| 1.3 压缩感知理论在机械故障诊断的应用 | 第24-29页 |
| 1.3.1 提高信号稀疏性的字典设计 | 第24-25页 |
| 1.3.2 基于信号重构改进算法的故障特征提取 | 第25-26页 |
| 1.3.3 压缩感知应用于数据压缩和数据远程传输 | 第26页 |
| 1.3.4 直接使用压缩数据进行诊断推理与分类识别 | 第26-27页 |
| 1.3.5 研究现状的总结与分析 | 第27-29页 |
| 1.4 本文的主要研究工作 | 第29-33页 |
| 第二章 基于近似等距投影的滚动轴承振动信号分析 | 第33-55页 |
| 2.1 引言 | 第33页 |
| 2.2 近似等距投影性质 | 第33-37页 |
| 2.2.1 近似等距投影 | 第34-35页 |
| 2.2.2 基于Johnson-Lindenstrauss性质的证明 | 第35-36页 |
| 2.2.3 JLP、DPP与RIP的关系 | 第36-37页 |
| 2.2.4 满足近似等距投影性质的高斯随机矩阵 | 第37页 |
| 2.3 基于随机能量保持的压缩域特征提取 | 第37-43页 |
| 2.3.1 随机投影能量保持性质 | 第37-38页 |
| 2.3.2 数据压缩与压缩域内特征提取 | 第38-39页 |
| 2.3.3 与其他压缩方法的对比 | 第39-41页 |
| 2.3.4 压缩域特征的评价 | 第41-43页 |
| 2.4 基于压缩域特征的故障诊断 | 第43页 |
| 2.5 实验验证1:基于近似等距投影的滚动轴承振动数据压缩 | 第43-48页 |
| 2.5.1 滚动轴承能量特征提取 | 第44-46页 |
| 2.5.2 与其他压缩方法的对比 | 第46-47页 |
| 2.5.3 不同压缩率下特征性能和重构误差分析 | 第47-48页 |
| 2.6 实验验证2:基于随机能量保持的滚动轴承特征提取 | 第48-53页 |
| 2.7 本章小结 | 第53-55页 |
| 第三章 用于状态评估的声发射压缩域特征研究 | 第55-75页 |
| 3.1 引言 | 第55-56页 |
| 3.2 相关背景知识 | 第56-58页 |
| 3.3 基于压缩感知的声发射信号处理与压缩 | 第58-59页 |
| 3.4 基于频带能量的声发射信号压缩域特征提取 | 第59-63页 |
| 3.4.1 压缩感知与声发射信号的结合 | 第60-61页 |
| 3.4.2 小波分解矩阵的构造与频段能量特征提取 | 第61-63页 |
| 3.5 实验验证 | 第63-73页 |
| 3.5.1 基于声发射信号的滚动轴承全寿命状态分析 | 第64-68页 |
| 3.5.2 轴承声发射信号的压缩采样与重构 | 第68-71页 |
| 3.5.3 声发射压缩域特征提取 | 第71-73页 |
| 3.6 本章小结 | 第73-75页 |
| 第四章 基于稀疏表示的滚动轴承稀疏特征提取 | 第75-101页 |
| 4.1 引言 | 第75-76页 |
| 4.2 稀疏表示 | 第76-82页 |
| 4.2.1 基本理论 | 第76-77页 |
| 4.2.2 系数求解算法 | 第77-79页 |
| 4.2.3 基于学习的过完备字典方法 | 第79-82页 |
| 4.3 基于稀疏特征的滚动轴承故障诊断 | 第82-89页 |
| 4.3.1 特征向量的提取与归一化 | 第83-86页 |
| 4.3.2 特征向量的稀疏表示 | 第86页 |
| 4.3.3 基于稀疏特征的多分类问题 | 第86-89页 |
| 4.4 实验验证 | 第89-98页 |
| 4.4.1 特征向量的归一化 | 第89-92页 |
| 4.4.2 特征向量的稀疏表示 | 第92-95页 |
| 4.4.3 基于稀疏特征的故障分类识别 | 第95-98页 |
| 4.5 本章小结 | 第98-101页 |
| 第五章 基于特征降维和压缩学习的滚动轴承故障诊断 | 第101-119页 |
| 5.1 引言 | 第101-102页 |
| 5.2 基于近似等距投影的特征降维 | 第102-107页 |
| 5.2.1 特征提取 | 第102-104页 |
| 5.2.2 近似等距投影性质与高斯随机矩阵 | 第104-105页 |
| 5.2.3 基于近似等距投影的特征降维 | 第105-107页 |
| 5.3 基于低维数据的压缩学习模型用于滚动轴承故障诊断 | 第107-112页 |
| 5.3.1 压缩学习概述 | 第107-108页 |
| 5.3.2 基于压缩学习的滚动轴承故障诊断模型 | 第108-110页 |
| 5.3.3 压缩学习模型与压缩感知模型 | 第110-112页 |
| 5.4 实验验证 | 第112-116页 |
| 5.5 本章小结 | 第116-119页 |
| 第六章 总结与展望 | 第119-123页 |
| 6.1 本文总结 | 第119-120页 |
| 6.2 主要创新点 | 第120-121页 |
| 6.3 研究展望 | 第121-123页 |
| 致谢 | 第123-125页 |
| 参考文献 | 第125-141页 |
| 附录A 攻读博士学位期间主持和参与的项目及获得奖励 | 第141-142页 |
| 附录B 攻读博士学位期间发表与录用的论文 | 第142-143页 |
| 附录C 攻读博士学位期间申请及公布的国家专利和软著 | 第143页 |
