| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 主要缩略语 | 第11-12页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 课题来源及意义 | 第12-13页 |
| 1.2 旋转机械故障诊断与健康评估的方法分类 | 第13-16页 |
| 1.3 国内外研究现状 | 第16-20页 |
| 1.3.1 特征提取 | 第16-17页 |
| 1.3.2 特征选择和特征变换 | 第17-18页 |
| 1.3.3 故障分类 | 第18-19页 |
| 1.3.4 健康评估 | 第19-20页 |
| 1.4 论文的主要研究内容 | 第20-21页 |
| 1.5 论文的主要结构 | 第21-22页 |
| 第二章 基于LMD与小波变换的特征提取方法 | 第22-35页 |
| 2.1 局部均值分解 | 第22-24页 |
| 2.1.1 局部均值分解的基本原理 | 第22-24页 |
| 2.1.2 局部均值方法存在的问题 | 第24页 |
| 2.2 小波变换 | 第24-27页 |
| 2.2.1 小波变换的基本概念 | 第25-26页 |
| 2.2.2 小波变换存在的问题 | 第26-27页 |
| 2.3 基于LMD和小波变换的特征提取方法 | 第27-29页 |
| 2.3.1 LMD中模态混淆的原因 | 第27-28页 |
| 2.3.2 基于LMD和小波变换的特征提取步骤 | 第28-29页 |
| 2.4 实验验证与结果对比 | 第29-34页 |
| 2.4.1 仿真信号 | 第29-30页 |
| 2.4.2 实验信号 | 第30-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于核密度估计与K-L散度的特征选择方法 | 第35-46页 |
| 3.1 核密度估计 | 第35-39页 |
| 3.1.1 经验密度函数 | 第35页 |
| 3.1.2 Parzen窗密度估计法 | 第35-36页 |
| 3.1.3 核密度估计的定义 | 第36-38页 |
| 3.1.4 核密度估计窗宽选取 | 第38-39页 |
| 3.2 Kullback-Leibler散度 | 第39-40页 |
| 3.2.1 Kullback-Leibler散度定义 | 第39-40页 |
| 3.2.2 对称化距离 | 第40页 |
| 3.3 基于核密度估计和K-L散度的特征选择方法 | 第40-44页 |
| 3.3.1 问题提出 | 第40-41页 |
| 3.3.2 特征选择算法 | 第41-43页 |
| 3.3.3 本方法存在的问题和改进措施 | 第43-44页 |
| 3.4 本文方法验证 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于核密度估计和K-L散度的旋转机械故障诊断方法 | 第46-65页 |
| 4.1 基于核密度估计和K-L散度的智能故障诊断 | 第46-53页 |
| 4.1.1 特征参数定义 | 第47-48页 |
| 4.1.2 EEMD方法与特征提取 | 第48-50页 |
| 4.1.3 基于距离的特征选择方法 | 第50-51页 |
| 4.1.4 基于核密度估计与K-L散度的分类器原理 | 第51-53页 |
| 4.2 仿真算例分析 | 第53-54页 |
| 4.3 模拟实验及结果分析 | 第54-64页 |
| 4.3.1 实验台介绍 | 第54-56页 |
| 4.3.2 对比方案和实验结果 | 第56-62页 |
| 4.3.3 不同参数设置下的结果对比 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 基于核密度估计和K-L散度的旋转机械健康评估方法 | 第65-77页 |
| 5.1 基于核密度估计和K-L散度的旋转机械健康评估 | 第65-71页 |
| 5.1.1 主成分分析 | 第66-69页 |
| 5.1.2 基于核密度估计与K-L散度的健康评估模型 | 第69-71页 |
| 5.2 模拟实验验证 | 第71-76页 |
| 5.2.1 实验数据介绍 | 第71-72页 |
| 5.2.2 方法验证 | 第72-76页 |
| 5.3 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-80页 |
| 6.1 全文总结 | 第77-78页 |
| 6.2 后续工作展望 | 第78-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-88页 |
| 攻硕期间取得的研究成果 | 第88-90页 |
