| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.1.1 课题来源 | 第9页 |
| 1.1.2 研究背景和意义 | 第9-10页 |
| 1.2 机械设备振动信号的故障诊断技术国内外研究现状 | 第10-13页 |
| 1.3 研究内容和技术路线 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 EMD与改进小波阈值函数的降噪方法 | 第16-29页 |
| 2.1 EMD分解IMF分量的筛选过程 | 第16-18页 |
| 2.2 小波阈值函数降噪方法 | 第18-20页 |
| 2.2.1 小波变换新阈值的选取 | 第18页 |
| 2.2.2 改进的阈值函数 | 第18-20页 |
| 2.3 基于改进的小波阈值函数降噪方法 | 第20-21页 |
| 2.4 滚动轴承振动信号降噪实验分析 | 第21-28页 |
| 2.4.1 数据描述 | 第21-23页 |
| 2.4.2 振动信号EMD分解的IMF分量 | 第23-25页 |
| 2.4.3 改进的小波阈值函数降噪 | 第25-26页 |
| 2.4.4 降噪效果评判指标 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 高斯过程特征提取方法的建模与优化 | 第29-43页 |
| 3.1 基于隐变量模型的降维方法 | 第29-32页 |
| 3.1.1 隐变量模型 | 第30页 |
| 3.1.2 高斯过程隐变量模型 | 第30-32页 |
| 3.2 隐变量模型的建模与优化 | 第32-36页 |
| 3.2.1 基于局部保持投影的降维方法 | 第32-34页 |
| 3.2.2 基于LPP的隐变量模型 | 第34-36页 |
| 3.3 基于LPP隐变量降维模型算法的实现过程 | 第36-37页 |
| 3.4 基于LPP-GPLVM的特征提取实验分析 | 第37-42页 |
| 3.4.1 基于小波包分解的特征生成 | 第37-40页 |
| 3.4.2 基于LPP-GPLVM的特征降维 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 混合核SVM的故障诊断模型及实现 | 第43-54页 |
| 4.1 支持向量机及核函数的选取 | 第43-47页 |
| 4.1.2 核函数的性质及常用核函数 | 第45-46页 |
| 4.1.3 核函数的选择及参数对SVM性能的影响 | 第46-47页 |
| 4.2 混合核函数的构造 | 第47页 |
| 4.3 遗传算法优化SVM的参数 | 第47-49页 |
| 4.4 滚动轴承振动信号故障模式识别实验分析 | 第49-53页 |
| 4.4.1 数据描述 | 第49-51页 |
| 4.4.2 参数优化评价指标 | 第51页 |
| 4.4.3 结果与分析 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 滚动轴承故障智能诊断模拟系统实现 | 第54-59页 |
| 5.1 智能诊断系统功能图 | 第54页 |
| 5.2 模拟系统 | 第54-58页 |
| 5.3 本章小结 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 本文总结 | 第59页 |
| 6.2 研究展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士期间发表论文情况 | 第66页 |