| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义及目的 | 第12-13页 |
| 1.3 主要内容及技术路线 | 第13-17页 |
| 1.3.1 论文主要内容 | 第13-14页 |
| 1.3.2 技术路线 | 第14-17页 |
| 2 相关理论介绍及其国内外研究现状 | 第17-27页 |
| 2.1 滚动轴承的基本构造及振动机理 | 第17-18页 |
| 2.2 设备性能退化状态评估研究现状 | 第18-25页 |
| 2.2.1 现代信号处理方法发展及研究现状 | 第19-21页 |
| 2.2.2 性能退化评估方法研究现状 | 第21-24页 |
| 2.2.3 列车滚动轴承的信号监测及故障诊断方法研究现状 | 第24-25页 |
| 2.3 本章小结 | 第25-27页 |
| 3 列车滚动轴承性能退化评估的特征提取方法研究 | 第27-51页 |
| 3.1 列车滚动轴承性能退化评估的特征提取方法流程 | 第27-28页 |
| 3.2 局部均值分解 | 第28-31页 |
| 3.2.1 乘积函数 | 第29页 |
| 3.2.2 LMD的基本算法 | 第29-31页 |
| 3.3 滚动轴承时域特征提取 | 第31-35页 |
| 3.3.1 直接的时域特征指标 | 第31-33页 |
| 3.3.2 常见的统计分布模型 | 第33-35页 |
| 3.4 主成分分析 | 第35-38页 |
| 3.4.1 基本概念 | 第35-36页 |
| 3.4.2 主成分分析法实现步骤 | 第36-38页 |
| 3.5 实例验证及结果分析 | 第38-49页 |
| 3.5.1 基于不同故障数据辨识度的LMD及EMD分解方法比较 | 第38-41页 |
| 3.5.2 滚动轴承性能退化评估体系下的特征提取 | 第41-49页 |
| 3.6 本章小结 | 第49-51页 |
| 4 基于不完备数据的列车滚动轴承性能退化在线评估及自适应报警 | 第51-71页 |
| 4.1 基于不完备数据的列车滚动轴承性能退化在线评估流程 | 第51-52页 |
| 4.2 支持向量数据描述 | 第52-57页 |
| 4.2.1 理论基础 | 第52-54页 |
| 4.2.2 支持向量数据描述理论 | 第54-57页 |
| 4.3 基于相似度权重动态调整的粒子群算法 | 第57-61页 |
| 4.3.1 标准粒子群算法 | 第58-59页 |
| 4.3.2 基于相似度权重动态调整的粒子群算法 | 第59-61页 |
| 4.4 自适应报警方法研究 | 第61-63页 |
| 4.5 实例验证及结果分析 | 第63-70页 |
| 4.5.1 支持向量数据描述参数选择影响分析 | 第63页 |
| 4.5.2 基于相似度权重动态调整的粒子群算法检验 | 第63-66页 |
| 4.5.3 基于不完备数据的SVDD性能退化状态评估及自适应预警 | 第66-70页 |
| 4.6 本章小结 | 第70-71页 |
| 5 基于完备数据的列车滚动轴承性能退化在线评估及剩余寿命预测 | 第71-95页 |
| 5.1 基于完备数据的列车滚动轴承性能退化在线评估流程 | 第71-72页 |
| 5.2 滚动轴承退化过程特征分析 | 第72-74页 |
| 5.3 分段投票思想及算法流程 | 第74-76页 |
| 5.4 最小二乘支持向量机与支持向量回归 | 第76-79页 |
| 5.4.1 最小二乘支持向量机分类原理 | 第76-78页 |
| 5.4.2 支持向量回归原理 | 第78-79页 |
| 5.5 实例验证及结果分析 | 第79-89页 |
| 5.5.1 基于分段投票思想的LSSVM轴承性能退化状态评估 | 第79-85页 |
| 5.5.2 推广能力验证 | 第85-89页 |
| 5.6 列车滚动轴承性能退化评估软件系统设计 | 第89-93页 |
| 5.7 本章小结 | 第93-95页 |
| 6 总结与展望 | 第95-99页 |
| 6.1 主要工作与结论 | 第95-96页 |
| 6.2 主要创新点 | 第96-97页 |
| 6.3 展望 | 第97-99页 |
| 参考文献 | 第99-103页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第103-107页 |
| 学位论文数据集 | 第107页 |
