| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第7-10页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 滚动轴承故障诊断中特征提取的发展现状 | 第11-13页 |
| 1.2.1 基于时域分析的特征提取方法 | 第11页 |
| 1.2.2 基于频域分析的特征提取方法 | 第11-12页 |
| 1.2.3 基于时频域分析的特征提取方法 | 第12-13页 |
| 1.3 本文的主要研究内容及结构安排 | 第13-15页 |
| 第二章 基于时域分析的滚动轴承特征提取 | 第15-22页 |
| 2.1 滚动轴承失效的形式及主要原因 | 第15-16页 |
| 2.2 滚动轴承的故障机理 | 第16-17页 |
| 2.3 滚动轴承的时域指标 | 第17-19页 |
| 2.4 基于时域分析的轴承特征提取方法 | 第19-21页 |
| 2.4.1 滚动轴承故障模拟试验平台 | 第19-20页 |
| 2.4.2 基于有量纲参数的特征提取 | 第20页 |
| 2.4.3 基于无量纲参数的特征提取 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 基于希尔伯特解调的滚动轴承特征提取 | 第22-31页 |
| 3.1 滚动轴承的特征频率 | 第22-24页 |
| 3.1.1 滚动轴承的固有振动频率 | 第22-23页 |
| 3.1.2 滚动轴承的故障特征频率 | 第23-24页 |
| 3.2 基于希尔伯特解调的特征提取方法 | 第24-26页 |
| 3.2.1 希尔伯特变换 | 第25页 |
| 3.2.2 希尔伯特解调的基本原理 | 第25-26页 |
| 3.3 基于希尔伯特解调滚动轴承特征提取的步骤 | 第26-27页 |
| 3.4 仿真与实验 | 第27-30页 |
| 3.4.1 模拟轴承信号的特征提取研究 | 第27-28页 |
| 3.4.2 实际轴承信号的特征提取研究 | 第28-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 基于相关性小波奇异熵的滚动轴承特征提取 | 第31-43页 |
| 4.1 小波变换的基本原理 | 第31-33页 |
| 4.2 基于相关性小波奇异熵的特征提取 | 第33-36页 |
| 4.2.1 相关性计算 | 第33-34页 |
| 4.2.2 奇异值分解 | 第34-35页 |
| 4.2.3 信息熵 | 第35-36页 |
| 4.3 基于相关性小波奇异熵特征提取方法的步骤 | 第36页 |
| 4.4 仿真与实验 | 第36-39页 |
| 4.4.1 模拟轴承信号的特征提取研究 | 第36-38页 |
| 4.4.2 实际轴承信号的特征提取研究 | 第38-39页 |
| 4.5 基于概率神经网络的滚动轴承故障诊断 | 第39-42页 |
| 4.5.1 概率神经网络 | 第39-41页 |
| 4.5.2 概率神经网络的数学描述 | 第41页 |
| 4.5.3 相关性小波奇异熵在滚动轴承故障诊断中的应用 | 第41-42页 |
| 4.6 本章小结 | 第42-43页 |
| 第五章 基于EMD瞬时功率谱熵的滚动轴承特征提取 | 第43-51页 |
| 5.1 EMD分解方法 | 第43-45页 |
| 5.1.1 瞬时频率 | 第43-44页 |
| 5.1.2 本征模态函数（IMF） | 第44页 |
| 5.1.3 EMD算法的分解过程 | 第44-45页 |
| 5.2 基于EMD瞬时功率谱熵的特征提取 | 第45-46页 |
| 5.2.1 功率谱分析 | 第45-46页 |
| 5.2.2 基于EMD瞬时功率谱熵的滚动轴承特征提取的步骤 | 第46页 |
| 5.3 仿真与实验 | 第46-49页 |
| 5.3.1 模拟轴承信号的特征提取研究 | 第46-48页 |
| 5.3.2 实际轴承信号的特征提取研究 | 第48-49页 |
| 5.4 基于概率神经网络的滚动轴承故障诊断 | 第49-50页 |
| 5.5 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 发表文章目录 | 第56-57页 |
| 致谢 | 第57-58页 |