| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 滚动轴承故障诊断方法概述 | 第11-14页 |
| 1.2.1 时域分析法 | 第11-12页 |
| 1.2.2 频域分析法 | 第12页 |
| 1.2.3 时频分析法 | 第12-14页 |
| 1.3 滚动轴承智能诊断方法研究现状 | 第14-17页 |
| 1.3.1 国外研究现状 | 第14-16页 |
| 1.3.2 国内研究现状 | 第16-17页 |
| 1.4 论文的主要内容 | 第17-20页 |
| 第2章 滚动轴承故障及振动分析 | 第20-26页 |
| 2.1 滚动轴承的基本结构 | 第20-21页 |
| 2.2 滚动轴承的失效形式 | 第21-22页 |
| 2.3 滚动轴承的振动分析 | 第22-23页 |
| 2.4 滚动轴承的故障特征分析 | 第23-25页 |
| 2.4.1 固有振动频率 | 第23-24页 |
| 2.4.2 故障特征频率 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 稳态载荷滚动轴承智能故障诊断方法 | 第26-50页 |
| 3.1 基于S变换的故障特征提取 | 第26-29页 |
| 3.1.1 S变换的基本原理 | 第26-29页 |
| 3.1.2 S变换的性质 | 第29页 |
| 3.2 基于奇异值分解的特征降维 | 第29-32页 |
| 3.2.1 SVD的基本原理 | 第30-31页 |
| 3.2.2 SVD的性质 | 第31-32页 |
| 3.3 基于RBF神经网络的故障诊断方法 | 第32-36页 |
| 3.4 基于S变换和RBF神经网络的故障诊断模型 | 第36-37页 |
| 3.5 实例应用与分析 | 第37-48页 |
| 3.5.1 数据来源及处理 | 第37-40页 |
| 3.5.2 故障诊断步骤 | 第40-46页 |
| 3.5.3 结果与分析 | 第46-48页 |
| 3.6 本章小结 | 第48-50页 |
| 第4章 载荷鲁棒的滚动轴承智能故障诊断方法 | 第50-68页 |
| 4.1 基于小波包节点能量的特征提取 | 第50-53页 |
| 4.1.1 小波包分解的基本原理 | 第50-51页 |
| 4.1.2 基于小波包特征向量的提取过程 | 第51-53页 |
| 4.2 基于FISHER判别法的特征选择 | 第53-55页 |
| 4.2.1 Fisher判别法的基本原理 | 第53-54页 |
| 4.2.2 Fisher特征聚类 | 第54-55页 |
| 4.3 基于支持向量机的故障诊断方法 | 第55-58页 |
| 4.4 载荷鲁棒的轴承故障智能诊断模型 | 第58-59页 |
| 4.5 实例应用与分析 | 第59-66页 |
| 4.5.1 数据处理 | 第59-60页 |
| 4.5.2 故障诊断步骤 | 第60-63页 |
| 4.5.3 结果与分析 | 第63-66页 |
| 4.6 本章小结 | 第66-68页 |
| 第5章 基于虚拟仪器的滚动轴承智能故障诊断平台设计 | 第68-74页 |
| 5.1 LABVIEW功能简介 | 第68-69页 |
| 5.2 故障诊断系统平台的总体设计 | 第69-70页 |
| 5.3 故障诊断系统平台的主要模块设计 | 第70-73页 |
| 5.4 本章小结 | 第73-74页 |
| 结论 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第82-84页 |
| 致谢 | 第84页 |