| 摘要 | 第4-7页 |
| ABSTRACT | 第7-10页 |
| 第一章 绪论 | 第17-25页 |
| 1.1 课题研究背景及意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 基于最小熵反褶积的故障特征提取方法国内外研究现状 | 第18-19页 |
| 1.2.2 基于局部切空间重构降噪的故障特征提取方法国内外研究现状 | 第19-20页 |
| 1.2.3 基于局部切空间排列算法的模式识别方法国内外研究现状 | 第20-21页 |
| 1.3 课题来源及主要研究内容 | 第21-23页 |
| 1.4 论文结构安排 | 第23-25页 |
| 第二章 基于最小熵反褶积的故障特征提取方法 | 第25-47页 |
| 2.1 最小熵反褶积的基本原理及仿真 | 第25-29页 |
| 2.2 基于智能优化算法的故障特征提取方法 | 第29-34页 |
| 2.2.1 果蝇和粒子群优化算法 | 第29-31页 |
| 2.2.1.1 果蝇优化算法 | 第29-30页 |
| 2.2.1.2 粒子群优化算法 | 第30-31页 |
| 2.2.2 基于果蝇优化的最小熵反褶积故障特征提取方法 | 第31-33页 |
| 2.2.3 基于粒子群优化的最小熵反褶积故障特征提取方法 | 第33-34页 |
| 2.3 方法验证与分析 | 第34-44页 |
| 2.3.1 实验条件 | 第34-36页 |
| 2.3.2 验证结果与分析 | 第36-44页 |
| 2.3.2.1 果蝇优化结果与分析 | 第36-42页 |
| 2.3.2.2 粒子群优化结果与分析 | 第42-43页 |
| 2.3.2.3 结果对比与分析 | 第43-44页 |
| 2.4 本章小结 | 第44-47页 |
| 第三章 基于局部切空间重构降噪的故障特征提取方法 | 第47-73页 |
| 3.1 局部切空间主流形重构的基本原理及仿真 | 第47-50页 |
| 3.2 高维空间构建 | 第50-51页 |
| 3.2.1 相空间重构的基本原理 | 第50页 |
| 3.2.2 本征模态函数重构 | 第50-51页 |
| 3.3 基于包数方法与局部切空间重构的故障特征提取方法 | 第51-55页 |
| 3.3.1 包数方法的基本原理及仿真 | 第51-54页 |
| 3.3.2 基于相空间重构的主流形降噪方法 | 第54页 |
| 3.3.3 基于本征模态函数重构的主流形降噪方法 | 第54-55页 |
| 3.4 方法验证与分析 | 第55-72页 |
| 3.4.1 实验条件 | 第55-56页 |
| 3.4.2 验证结果与分析 | 第56-72页 |
| 3.4.2.1 基于相空间重构的主流形降噪结果与分析 | 第56-67页 |
| 3.4.2.2 基于本征模态函数的主流形降噪结果与分析 | 第67-71页 |
| 3.4.2.3 结果对比与分析 | 第71-72页 |
| 3.5 本章小结 | 第72-73页 |
| 第四章 基于局部切空间排列算法的故障模式识别方法 | 第73-99页 |
| 4.1 聚类准则改进的局部切空间排列算法 | 第73-74页 |
| 4.2 基于改进的局部切空间排列算法的模式识别方法 | 第74-79页 |
| 4.2.1 特征参数集的构建 | 第74-75页 |
| 4.2.2 分类器的选择 | 第75-78页 |
| 4.2.3 基于LTSA-K-最近邻分类器的模式识别方法 | 第78-79页 |
| 4.3 传统的模式识别方法 | 第79-81页 |
| 4.3.1 基于PCA-K-最近邻分类器的模式识别方法 | 第79-80页 |
| 4.3.2 基于LE-K-最近邻分类器的模式识别方法 | 第80页 |
| 4.3.3 基于BP神经网络的模式识别方法 | 第80-81页 |
| 4.4 方法验证与分析 | 第81-97页 |
| 4.4.1 滚动轴承信号验证 | 第81-91页 |
| 4.4.2 齿轮信号验证 | 第91-97页 |
| 4.5 本章小结 | 第97-99页 |
| 第五章 结论与展望 | 第99-101页 |
| 5.1 研究成果总结 | 第99-100页 |
| 5.2 后续研究方向 | 第100-101页 |
| 参考文献 | 第101-111页 |
| 致谢 | 第111-113页 |
| 研究成果及发表的学术论文 | 第113-115页 |
| 作者和导师简介 | 第115-116页 |
| 附件 | 第116-117页 |
