| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| §1.1 选题背景与研究意义 | 第9页 |
| §1.2 旋转机械智能故障诊断技术研究概况 | 第9-12页 |
| §1.3 基于聚类分析的机械故障智能诊断研究概况 | 第12-13页 |
| §1.4 课题来源 | 第13-14页 |
| §1.5 主要研究内容与章节安排 | 第14-16页 |
| 第二章 信号处理与特征提取 | 第16-24页 |
| §2.1 小波包变换 | 第16-18页 |
| §2.2 总体平均经验模态分解 | 第18-21页 |
| §2.3 变分模态分解 | 第21-23页 |
| §2.4 本章小结 | 第23-24页 |
| 第三章 聚类分析 | 第24-32页 |
| §3.1 仿射传播聚类 | 第24-28页 |
| §3.1.1 仿射传播聚类原理 | 第25-26页 |
| §3.1.2 仿射传播聚类算法实现 | 第26-28页 |
| §3.2 快速搜索密度峰值聚类 | 第28-31页 |
| §3.2.1 快速搜索密度峰值聚类原理 | 第28-30页 |
| §3.2.2 快速搜索密度峰值聚类算法实现 | 第30-31页 |
| §3.3 本章小结 | 第31-32页 |
| 第四章 基于自适应特征选择与AP聚类的轴承智能诊断方法 | 第32-48页 |
| §4.1 故障特征提取 | 第33-34页 |
| §4.2 自适应特征选择 | 第34-38页 |
| §4.2.1自权重特征选择 | 第35-36页 |
| §4.2.2自适应冗余去除 | 第36-38页 |
| §4.3 实例1：滚动轴承定性故障识别 | 第38-43页 |
| §4.3.1 数据获取 | 第38-39页 |
| §4.3.2 特征提取 | 第39-40页 |
| §4.3.3 特征选择 | 第40-42页 |
| §4.3.4 故障诊断 | 第42-43页 |
| §4.4 实例2：滚动轴承定量故障识别 | 第43-47页 |
| §4.4.1 数据获取 | 第43-44页 |
| §4.4.2 特征提取 | 第44-46页 |
| §4.4.3 特征选择与故障诊断 | 第46-47页 |
| §4.5 本章小结 | 第47-48页 |
| 第五章 基于VMD特征去噪与ADPS聚类的智能故障诊断方法 | 第48-63页 |
| §5.1 自适应快速搜索密度峰值聚类原理 | 第49-51页 |
| §5.2 特征提取与VMD特征去噪 | 第51-54页 |
| §5.2.1 特征提取 | 第51-52页 |
| §5.2.2 VMD特征去噪 | 第52-54页 |
| §5.3 实例1：滚动轴承故障诊断 | 第54-57页 |
| §5.3.1 重要参数选择 | 第54-56页 |
| §5.3.2 故障诊断 | 第56-57页 |
| §5.4 实例2：齿轮故障诊断 | 第57-60页 |
| §5.5 实例3：轴承全生命周期故障诊断 | 第60-62页 |
| §5.6 本章小结 | 第62-63页 |
| 第六章 总结和展望 | 第63-65页 |
| §6.1 总结 | 第63页 |
| §6.2 展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 攻读硕士期间主要成果 | 第70页 |