| 第一章 绪论 | 第1-14页 |
| 第一节 机械故障诊断研究意义及发展概况 | 第7-9页 |
| 一、机械故障诊断研究意义 | 第7-8页 |
| 二、机械故障诊断国内外研究概况 | 第8-9页 |
| 第二节 滚动轴承故障诊断方法 | 第9-13页 |
| 一、常用诊断方法 | 第9-10页 |
| 二、振动分析诊断的基本原理 | 第10-11页 |
| 三、振动分析诊断的基本方法及研究现状 | 第11-13页 |
| 第三节 论文主要研究工作 | 第13-14页 |
| 第二章 滚动轴承的振动信号分析方法 | 第14-30页 |
| 第一节 时域分析方法 | 第14-16页 |
| 一、有量纲参数 | 第14-15页 |
| 二、无量纲参数 | 第15-16页 |
| 第二节 频域分析方法 | 第16-21页 |
| 一、频域参数指标 | 第16-18页 |
| 二、共振解调技术 | 第18-21页 |
| 第三节 时频分析方法 | 第21-30页 |
| 一、不确定原理 | 第22页 |
| 二、短时傅立叶变换 | 第22-23页 |
| 三、小波变换 | 第23-24页 |
| 四、Wigner分布与Choi-Williams分布 | 第24-25页 |
| 五、自适应STFT方法 | 第25-27页 |
| 六、几种时频分析方法的比较 | 第27-30页 |
| 第三章 滚动轴承状态识别方法 | 第30-37页 |
| 第一节 机器学习与分类问题 | 第30-31页 |
| 第二节 神经网络分类器 | 第31-33页 |
| 一、BP网络模型 | 第31-32页 |
| 二、BP算法 | 第32-33页 |
| 第三节 SVM分类器 | 第33-37页 |
| 一、广义最优分类面 | 第33-35页 |
| 二、支持向量机 | 第35-37页 |
| 第四章 自适应共振解调技术及应用 | 第37-44页 |
| 第一节 L~p范数准则 | 第37-38页 |
| 第二节 细化傅立叶谱技术 | 第38页 |
| 第三节 实例分析 | 第38-43页 |
| 一、内圈剥离故障诊断 | 第39-40页 |
| 二、外圈剥离故障诊断 | 第40-42页 |
| 三、滚动体剥离故障和正常状态的诊断 | 第42-43页 |
| 第四节 小结 | 第43-44页 |
| 第五章 基于SVM和RMCM的轴承状态识别方法 | 第44-52页 |
| 第一节 主成分分析 | 第44-45页 |
| 第二节 相关山形聚类方法(RMCM) | 第45-47页 |
| 一、山形聚类方法 | 第45-46页 |
| 二、相关山形聚类 | 第46-47页 |
| 第三节 实例分析 | 第47-51页 |
| 第四节 小结 | 第51-52页 |
| 第六章 结论与展望 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 攻读学位期间发表的学术论文目录 | 第55页 |
| 攻读学位期间参加的科研项目 | 第55页 |
| 攻读学位期间参加的国际会议 | 第55-56页 |
| 中央民族大学研究生学位论文作者声明 | 第56-57页 |
| 致谢 | 第57页 |