| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究的背景及意义 | 第10页 |
| 1.2 电动机轴承诊断现状 | 第10-11页 |
| 1.3 电机轴承故障主要诊断技术 | 第11-13页 |
| 1.3.1 滚动轴承的特征提取 | 第11-12页 |
| 1.3.2 滚动轴承的故障分类 | 第12-13页 |
| 1.4 故障诊断的发展方向 | 第13-14页 |
| 1.5 本文研究主要内容 | 第14-15页 |
| 第2章 基于小波理论的电机轴承故障特征提取 | 第15-38页 |
| 2.1 从傅里叶变换到小波分析 | 第15-17页 |
| 2.2 小波变换理论 | 第17-22页 |
| 2.2.1 小波变换定义 | 第17-18页 |
| 2.2.2 连续和离散小波变换 | 第18-20页 |
| 2.2.3 多分辨率分析 | 第20-22页 |
| 2.3 小波包理论 | 第22-27页 |
| 2.3.1 小波消噪原理 | 第24-26页 |
| 2.3.2 小波包能量熵值定义 | 第26页 |
| 2.3.3 小波包分解层数选取 | 第26-27页 |
| 2.4 基于小波包能量熵的特征处理方法 | 第27-37页 |
| 2.4.1 小波包熵特征提取步骤 | 第28页 |
| 2.4.2 实验数据来源 | 第28-30页 |
| 2.4.3 仿真实验 | 第30-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 基于LSSVM的电机轴承故障诊断 | 第38-48页 |
| 3.1 支持向量机(SVM) | 第38-40页 |
| 3.1.1 最优超平面 | 第38-39页 |
| 3.1.2 支持向量机(SVM) | 第39-40页 |
| 3.1.3 核函数 | 第40页 |
| 3.2 最小二乘支持向量机(LSSVM)分类 | 第40-47页 |
| 3.2.1 LSSVM分类算法 | 第41-42页 |
| 3.2.2 基于LSSVM故障诊断方案 | 第42-43页 |
| 3.2.3 仿真实验 | 第43-47页 |
| 3.3 本章小结 | 第47-48页 |
| 第4章 基于改进PSO-LSSVM的电机轴承故障诊断 | 第48-58页 |
| 4.1 粒子群算法 | 第48-50页 |
| 4.1.1 粒子群算法的原理 | 第48页 |
| 4.1.2 粒子群算法流程 | 第48-50页 |
| 4.1.3 粒子群算法的不足 | 第50页 |
| 4.2 基于SA改进的粒子群算法 | 第50-52页 |
| 4.2.1 SA-PSO算法原理 | 第50-51页 |
| 4.2.2 SA-PSO对LSSVM优化过程 | 第51-52页 |
| 4.3 改进PSO-LSSVM在轴承故障诊断中的应用 | 第52-57页 |
| 4.3.1 SAPSO-LSSVM故障诊断步骤 | 第52-53页 |
| 4.3.2 仿真实验 | 第53-57页 |
| 4.4 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间所发表的学术论文 | 第63-64页 |
| 致谢 | 第64页 |