| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-24页 |
| 1.1 滚动轴承故障诊断研究的意义与内容 | 第10-11页 |
| 1.1.1 滚动轴承故障诊断研究的意义 | 第10-11页 |
| 1.1.2 滚动轴承故障诊断研究的内容 | 第11页 |
| 1.2 滚动轴承故障诊断概述 | 第11-16页 |
| 1.2.1 滚动轴承故障诊断研究的发展历程 | 第11-12页 |
| 1.2.2 滚动轴承故障信息的主要获取方法 | 第12-13页 |
| 1.2.3 滚动轴承的振动机理 | 第13-16页 |
| 1.3 滚动轴承故障诊断中特征提取与模式识别研究现状 | 第16-21页 |
| 1.3.1 特征提取方法的研究现状 | 第16-20页 |
| 1.3.2 模式识别方法的研究现状 | 第20-21页 |
| 1.4 论文主要工作与总体框架 | 第21-24页 |
| 2 Hilbert-Huang变换基本原理及其改进 | 第24-38页 |
| 2.1 Hilbert-Huang变换基本原理 | 第24-28页 |
| 2.1.1 IMF分量定义条件 | 第24页 |
| 2.1.2 经验模态分解基本原理 | 第24-28页 |
| 2.2 Hilbert谱和Hilbert边际谱 | 第28-30页 |
| 2.3 集合经验模态分解基本原理 | 第30-33页 |
| 2.4 完备集合经验模态分解基本原理 | 第33-36页 |
| 2.5 本章小结 | 第36-38页 |
| 3 基于改进的HHT方法的故障特征提取 | 第38-44页 |
| 3.1 改进的HHT方法基本理论 | 第38-39页 |
| 3.2 仿真信号分析 | 第39-42页 |
| 3.3 本章小结 | 第42-44页 |
| 4 支持向量机分类方法研究 | 第44-60页 |
| 4.1 机器学习理论 | 第44-45页 |
| 4.1.1 经验风险最小化原则 | 第44-45页 |
| 4.2 统计学习理论 | 第45-47页 |
| 4.2.1 结构风险最小化原则 | 第46-47页 |
| 4.3 支持向量机 | 第47-53页 |
| 4.3.1 线性支持向量机 | 第47-51页 |
| 4.3.2 非线性支持向量机 | 第51-52页 |
| 4.3.3 支持向量机的结构 | 第52-53页 |
| 4.4 最小二乘支持向量机 | 第53-54页 |
| 4.5 基于PSO算法的LS-SVM参数优化 | 第54-57页 |
| 4.5.1 试验验证 | 第55-57页 |
| 4.6 本章小结 | 第57-60页 |
| 5 基于改进HHT和SVM的故障模式识别 | 第60-68页 |
| 5.1 实验数据分析 | 第60-64页 |
| 5.2 故障分类识别 | 第64-66页 |
| 5.3 本章小结 | 第66-68页 |
| 6 总结与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第74-78页 |
| 学位论文数据集 | 第78页 |