| 摘要 | 第8-9页 |
| Abstract | 第9页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 研究的背景、意义和目的 | 第10页 |
| 1.2 青岛特钢旋转类设备现状 | 第10-11页 |
| 1.3 青岛特钢现有状态监测体系 | 第11-16页 |
| 1.3.1 滚动轴承故障信号获取方法 | 第11-12页 |
| 1.3.2 青岛特钢所用监测的仪器设备 | 第12-15页 |
| 1.3.3 青岛特钢现有的振动分析方法 | 第15-16页 |
| 1.4 滚动轴承故障诊断实验系统 | 第16-19页 |
| 1.5 论文章节安排 | 第19-22页 |
| 第2章 基于多域分析的滚动轴承故障特征提取方法 | 第22-48页 |
| 2.1 基于时域分析的故障特征提取方法 | 第22-25页 |
| 2.2 基于频域分析的故障特征提取方法 | 第25-28页 |
| 2.3 基于小波包分析和近似熵的时频域故障特征提取方法 | 第28-39页 |
| 2.3.1 多分辨分析 | 第29-30页 |
| 2.3.2 小波变化基本原理 | 第30-31页 |
| 2.3.3 小波包变换基本原理 | 第31-33页 |
| 2.3.4 近似熵特征 | 第33-39页 |
| 2.4 基于变分模态分解和能量值的时频域故障特征提取方法 | 第39-47页 |
| 2.4.1 VMD基本原理 | 第40-41页 |
| 2.4.2 能量特征 | 第41-47页 |
| 2.5 本章小结 | 第47-48页 |
| 第3章 基于邻域粗糙集的滚动轴承故障特征筛选方法 | 第48-56页 |
| 3.1 邻域粗糙集的基本概念 | 第48-51页 |
| 3.1.1 基于邻域的粒化 | 第48页 |
| 3.1.2 邻域决策系统 | 第48-51页 |
| 3.2 基于邻域模型的前向贪心数值属性约简 | 第51-52页 |
| 3.3 故障特征集邻域决策系统的建立 | 第52-55页 |
| 3.4 本章小结 | 第55-56页 |
| 第4章 基于遗传算法优化的随机森林组合分类器设计 | 第56-62页 |
| 4.1 随机森林的基分类器 | 第56-58页 |
| 4.2 Bagging重采样 | 第58页 |
| 4.3 随机森林的算法流程 | 第58-59页 |
| 4.4 基于遗传算法的随机森林组合分类器参数寻优 | 第59-60页 |
| 4.5 本章小结 | 第60-62页 |
| 第5章 滚动轴承故障诊断实例 | 第62-70页 |
| 5.1 基于邻域粗糙集与随机森林组合分类器的故障诊断结果分析 | 第62-66页 |
| 5.1.1 敏感故障特征参数筛选 | 第62-63页 |
| 5.1.2 遗传算法参数寻优 | 第63-64页 |
| 5.1.3 分类器诊断结果分析 | 第64-66页 |
| 5.2 基于学习矢量量化网络的故障诊断结果分析 | 第66-69页 |
| 5.2.1 LVQ1学习规则 | 第66-67页 |
| 5.2.2 LVQ2规则 | 第67-68页 |
| 5.2.3 诊断结果分析 | 第68-69页 |
| 5.3 本章小结 | 第69-70页 |
| 第6章 结论与展望 | 第70-74页 |
| 6.1 全文工作总结 | 第70-71页 |
| 6.2 青岛特钢现有监测体系技术难题 | 第71页 |
| 6.3 青岛特钢监测体系未来重点研究方向 | 第71-74页 |
| 参考文献 | 第74-77页 |
| 攻读硕士学位期间发表的学术论文 | 第77-78页 |
| 致谢 | 第78页 |
