| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 注释表 | 第13-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 研究现状 | 第15-20页 |
| 1.2.1 滚动轴承状态的在线监测 | 第15-16页 |
| 1.2.2 滚动轴承振动信号分析方法 | 第16-19页 |
| 1.2.3 滚动轴承的特征融合与状态评估方法 | 第19-20页 |
| 1.2.4 航空发动机滚动轴承故障检测与状态评估面临的挑战 | 第20页 |
| 1.3 本文研究内容 | 第20-22页 |
| 第二章 滚动轴承振动机理与特征分析 | 第22-33页 |
| 2.1 引言 | 第22页 |
| 2.2 深沟球轴承结构与基本参数 | 第22-23页 |
| 2.3 滚动轴承振动产生原理与特点 | 第23-24页 |
| 2.4 滚动轴承故障特征频率的计算 | 第24-25页 |
| 2.5 滚动轴承故障信号建模 | 第25-32页 |
| 2.5.1 外圈故障信号 | 第26-28页 |
| 2.5.2 内圈故障信号 | 第28-30页 |
| 2.5.3 滚珠故障信号 | 第30-32页 |
| 2.6 小结 | 第32-33页 |
| 第三章 滚动轴承微弱故障的多方法协同诊断技术 | 第33-58页 |
| 3.1 引言 | 第33页 |
| 3.2 基于Hilbert变换的包络检波 | 第33-34页 |
| 3.2.1 信号的包络 | 第33-34页 |
| 3.2.2 Hilbert变换与包络检波 | 第34页 |
| 3.3 几种典型的滚动轴承信号分析方法 | 第34-43页 |
| 3.3.1 最小熵解卷积 | 第35-38页 |
| 3.3.2 小波分解 | 第38-41页 |
| 3.3.3 自相关分析原理 | 第41-43页 |
| 3.4 多方法协同的滚动轴承故障诊断 | 第43-53页 |
| 3.4.1 算法流程 | 第44页 |
| 3.4.2 基于人工故障轴承试验的方法验证 | 第44-50页 |
| 3.4.3 基于自然剥落故障轴承试验的方法验证 | 第50-53页 |
| 3.5 转速连续变化下的滚动轴承故障诊断 | 第53-57页 |
| 3.5.1 算法流程 | 第54页 |
| 3.5.2 仿真分析 | 第54-56页 |
| 3.5.3 试验验证 | 第56-57页 |
| 3.6 小结 | 第57-58页 |
| 第四章 基于多维特征超球优化融合的滚动轴承状态评估 | 第58-87页 |
| 4.1 引言 | 第58页 |
| 4.2 多维特征提取方法 | 第58-60页 |
| 4.2.1 时域特征 | 第58-59页 |
| 4.2.2 频域特征 | 第59-60页 |
| 4.2.3 包络谱特征 | 第60页 |
| 4.3 典型数据描述方法的原理 | 第60-63页 |
| 4.3.1 支持向量数据描述 | 第61页 |
| 4.3.2 自组织神经网络 | 第61页 |
| 4.3.3 高斯混合模型 | 第61-62页 |
| 4.3.4 距离判别分析 | 第62-63页 |
| 4.4 性能度量 | 第63-65页 |
| 4.4.1 分类结果混淆矩阵 | 第63-64页 |
| 4.4.2 ROC曲线与模型评价指标 | 第64-65页 |
| 4.5 超球化距离判别分析 | 第65-75页 |
| 4.5.1 误差分析 | 第65-66页 |
| 4.5.2 超球优化算法推导 | 第66-67页 |
| 4.5.3 算法整体流程 | 第67-68页 |
| 4.5.4 试验验证 | 第68-75页 |
| 4.6 基于超球化距离判别的滚动轴承状态评估 | 第75-85页 |
| 4.6.1 滚动轴承疲劳试验 | 第75-78页 |
| 4.6.2 航空轴承失效加速试验 | 第78-85页 |
| 4.7 小结 | 第85-87页 |
| 第五章 总结与展望 | 第87-89页 |
| 5.1 全文工作总结 | 第87-88页 |
| 5.2 未来工作展望 | 第88-89页 |
| 参考文献 | 第89-97页 |
| 致谢 | 第97-98页 |
| 在学期间的研究成果及发表的学术论文 | 第98-99页 |