| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-8页 |
| 1 绪论 | 第8-14页 |
| ·研究背景及意义 | 第8页 |
| ·国内外研究现状 | 第8-10页 |
| ·轴承故障诊断技术 | 第10-13页 |
| ·轴承故障特征提取方法 | 第10-12页 |
| ·轴承故障模式识别方法 | 第12-13页 |
| ·论文主要组织结构 | 第13-14页 |
| 2 轨道车辆滚动轴承故障诊断方法 | 第14-33页 |
| ·滚动轴承故障诊断基础 | 第14-18页 |
| ·滚动轴承振动机理 | 第14-15页 |
| ·滚动轴承的主要故障形式及产生原因 | 第15-16页 |
| ·滚动轴承的振动模型及特征 | 第16-18页 |
| ·信号时频处理方法 | 第18-21页 |
| ·特征参数法 | 第18-19页 |
| ·傅里叶变换 | 第19-20页 |
| ·共振解调基本原理 | 第20-21页 |
| ·小波变换基本原理 | 第21-23页 |
| ·连续小波变换 | 第22页 |
| ·离散小波变换 | 第22-23页 |
| ·小波分析实例仿真 | 第23页 |
| ·小波包分析基本原理 | 第23-26页 |
| ·小波理论分析 | 第23-25页 |
| ·小波包分解算法 | 第25页 |
| ·小波包分析实例仿真 | 第25-26页 |
| ·经验模态分解基本原理 | 第26-32页 |
| ·EMD分解基本概念 | 第26-27页 |
| ·EMD算法原理 | 第27-28页 |
| ·EMD分解的特点 | 第28-29页 |
| ·基于EMD分解包络解调的轴承故障诊断 | 第29-32页 |
| ·本章小结 | 第32-33页 |
| 3 基于神经网络的滚动轴承故障诊断 | 第33-59页 |
| ·轴承故障特征量的提取 | 第33-44页 |
| ·基于EMD分解的特征量提取 | 第33-38页 |
| ·基于小波包分解的特征量提取 | 第38-44页 |
| ·神经网络原理与方法 | 第44-49页 |
| ·人工神经网络及其建模方法 | 第44-45页 |
| ·BP神经网络 | 第45-46页 |
| ·RBF神经网络 | 第46-47页 |
| ·神经网络建模步骤 | 第47-49页 |
| ·基于神经网络轴承故障诊断实验仿真 | 第49-58页 |
| ·小波包与BP神经网络结合故障诊断模型 | 第49-52页 |
| ·小波包与RBF神经网络结合故障诊断模型 | 第52-54页 |
| ·EMD与BP神经网络结合故障诊断模型 | 第54-56页 |
| ·EMD与RBF神经网络结合故障诊断模型 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 4 基于遗传算法优化的RBF神经网络的滚动轴承故障诊断 | 第59-67页 |
| ·基于遗传算法优化的RBF神经网络模型 | 第59-62页 |
| ·遗传基本概念 | 第59-60页 |
| ·GA-RBF神经网络建模 | 第60-62页 |
| ·小波包与GA-RBF神经网络结合故障诊断模型 | 第62-64页 |
| ·EMD与GA-RBF神经网络结合故障诊断模型 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 5 基于实测数据的仿真实验 | 第67-79页 |
| ·轨道车辆滚动轴承故障数据采集 | 第67-68页 |
| ·轨道车辆滚动轴承故障特征量提取 | 第68-74页 |
| ·小波包与GA-RBF神经网络结合故障诊断模型 | 第74-76页 |
| ·EMD与GA-RBF神经网络结合故障诊断模型 | 第76-78页 |
| ·本章小结 | 第78-79页 |
| 6 结论 | 第79-81页 |
| ·全文总结 | 第79页 |
| ·研究展望 | 第79-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 附录 | 第86页 |