| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-16页 |
| ·课题研究的背景和意义 | 第9-10页 |
| ·旋转机械故障诊断的研究内容及发展现状 | 第10-13页 |
| ·故障机理的研究 | 第10页 |
| ·故障特征提取方法的研究 | 第10-11页 |
| ·故障特征选择方法的研究 | 第11-12页 |
| ·故障诊断推理方法研究 | 第12页 |
| ·时频分析在机械故障诊断中的应用与研究现状 | 第12-13页 |
| ·信息融合方法在故障诊断中的意义与研究现状 | 第13-15页 |
| ·信息融合的定义与层次 | 第13-14页 |
| ·在故障诊断领域中引入信息融合技术的意义 | 第14页 |
| ·特征级信息融合在故障诊断领域国内外研究现状 | 第14-15页 |
| ·论文主要内容和结构安排 | 第15-16页 |
| 第二章 基于支持向量机和小波包分解的旋转机械故障诊断 | 第16-30页 |
| ·引言 | 第16页 |
| ·支持向量机(SVM)理论 | 第16-18页 |
| ·线性支持向量机 | 第16-17页 |
| ·非线性支持向量机 | 第17-18页 |
| ·支持向量机中常用的多故障分类算法 | 第18页 |
| ·基于小波包分解的故障特征提取 | 第18-23页 |
| ·小波包分解原理 | 第19-20页 |
| ·小波包故障特征提取算法及特征向量的构造 | 第20-21页 |
| ·故障特征提取算例 | 第21-22页 |
| ·基于支持向量机和小波包分解的故障诊断步骤及流程 | 第22-23页 |
| ·实验验证 | 第23-26页 |
| ·实验数据描述 | 第23页 |
| ·分类测试结果 | 第23-26页 |
| ·结果分析与讨论 | 第26页 |
| ·支持向量机 SVM 分类器分类性能影响因素分析 | 第26-29页 |
| ·核函数对故障分类器性能的影响 | 第26-27页 |
| ·SVM 分类器中最优参数的选择 | 第27-29页 |
| ·训练样本数量对故障分类器性能的影响 | 第29页 |
| ·本章小结 | 第29-30页 |
| 第三章 基于邻近粗糙集属性重要度的故障特征选择 | 第30-53页 |
| ·引言 | 第30页 |
| ·经典粗糙集 | 第30-32页 |
| ·粗糙集的定义 | 第30-31页 |
| ·约简与重要度 | 第31-32页 |
| ·邻近粗糙集 | 第32-35页 |
| ·邻域 | 第32-33页 |
| ·邻域决策系统 | 第33-34页 |
| ·邻近粗糙集属性重要度约简算法 | 第34-35页 |
| ·实例分析 | 第35-37页 |
| ·特征提取与特征选择 | 第37-42页 |
| ·特征定义与提取 | 第37-41页 |
| ·基于 NRS 的特征选择 | 第41-42页 |
| ·基于 SVM 的特征评价 | 第42-47页 |
| ·实验设计 | 第43-44页 |
| ·实验 1 分析 | 第44-45页 |
| ·实验 2 分析 | 第45页 |
| ·实验 3 分析 | 第45-46页 |
| ·结论与分析 | 第46-47页 |
| ·特征变化趋势分析 | 第47-52页 |
| ·本章小结 | 第52-53页 |
| 第四章 基于 PCA 特征级融合的故障诊断 | 第53-65页 |
| ·主成分分析方法 | 第53页 |
| ·PCA 在机械故障诊断中应用 | 第53-54页 |
| ·实例分析 1 | 第54-57页 |
| ·实验步骤 | 第54-56页 |
| ·结论与分析 | 第56-57页 |
| ·实例分析 2 | 第57-64页 |
| ·方案一 | 第58-61页 |
| ·方案二 | 第61-63页 |
| ·结论与分析 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第五章 结论与展望 | 第65-67页 |
| ·结论 | 第65页 |
| ·展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 附件 A | 第71-73页 |
| 附件 B | 第73-75页 |
| 附件 C | 第75-78页 |
| 附件 D | 第78-79页 |
| 攻读学位期间的研究成果 | 第79-80页 |