| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第14-20页 |
| 1.1 课题研究的背景与意义 | 第14-15页 |
| 1.2 滚动轴承故障诊断技术的研究现状与趋势 | 第15-18页 |
| 1.2.1 信号处理方法在滚动轴承故障诊断中的应用现状与趋势 | 第16页 |
| 1.2.2 模式识别方法在滚动轴承故障诊断中的应用现状与趋势 | 第16-18页 |
| 1.3 课题来源与论文章节安排 | 第18-20页 |
| 1.3.1 课题来源 | 第18页 |
| 1.3.2 论文的章节安排 | 第18-20页 |
| 第2章 滚动轴承故障机理及诊断方法 | 第20-32页 |
| 2.1 滚动轴承失效形式 | 第20-22页 |
| 2.2 滚动轴承振动机理及振动特征 | 第22-25页 |
| 2.2.1 滚动轴承振动机理 | 第22-23页 |
| 2.2.2 滚动轴承振动特征 | 第23-25页 |
| 2.3 滚动轴承故障诊断方法 | 第25-31页 |
| 2.3.1 基于信号处理的滚动轴承故障诊断方法 | 第25-28页 |
| 2.3.2 基于模式识别的滚动轴承故障诊断方法 | 第28-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于变量预测模型模式识别方法 | 第32-38页 |
| 3.1 VPMCD方法理论 | 第32-34页 |
| 3.2 模式识别方法对比分析 | 第34-36页 |
| 3.3 应用对比分析 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于QGA智能算法优化模型的VPMCD在滚动轴承故障诊断中的应用 | 第38-48页 |
| 4.1 QGA智能算法 | 第39-41页 |
| 4.1.1 量子比特编码 | 第39页 |
| 4.1.2 量子门更新 | 第39-40页 |
| 4.1.3 算例分析 | 第40-41页 |
| 4.2 基于QGA-VPMCD智能诊断模型 | 第41-43页 |
| 4.2.1 QGA-VPMCD模型 | 第41-42页 |
| 4.2.2 QGA对SVPM模型权值矩阵的优化 | 第42-43页 |
| 4.3 基于QGA-VPMCD的滚动轴承诊断方法 | 第43-46页 |
| 4.3.1 基于QGA-VPMCD的滚轴轴承故障诊断步骤 | 第43-44页 |
| 4.3.2 实例分析 | 第44-46页 |
| 4.4 本章小结 | 第46-48页 |
| 第5章 基于替代模型的VPMCD算法及其在滚动轴承故障诊断中的应用 | 第48-58页 |
| 5.1 基于R-VPMCD滚动轴承诊断方法 | 第48-51页 |
| 5.1.1 R-VPM模型 | 第48-49页 |
| 5.1.2 对比分析 | 第49-50页 |
| 5.1.3 基于R-VPMCD滚动轴承故障诊断步骤 | 第50-51页 |
| 5.2 基于K-VPMCD滚动轴承故障诊断方法 | 第51-55页 |
| 5.2.1 Kriging模型 | 第51-53页 |
| 5.2.2 对比分析 | 第53-54页 |
| 5.2.3 基于K-VPMCD滚动轴承故障诊断步骤 | 第54-55页 |
| 5.3 实例分析 | 第55-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第6章 基于AKVPMCD的滚动轴承故障诊断方法 | 第58-74页 |
| 6.1 AKVPMCD方法 | 第58-60页 |
| 6.1.1 子KVPM的建立 | 第58-59页 |
| 6.1.2 AFSA对子KVPM权值矩阵的优化 | 第59-60页 |
| 6.2 基于AKVPMCD和ASTFA降噪的滚动轴承故障诊断方法 | 第60-67页 |
| 6.2.1 ASTFA降噪 | 第61-62页 |
| 6.2.2 仿真分析 | 第62-64页 |
| 6.2.3 基于AKVPMCD和ASTFA降噪的滚动轴承故障诊断步骤 | 第64-65页 |
| 6.2.4 实例分析 | 第65-67页 |
| 6.3 基于AKVPMCD和AN降维的滚动轴承故障诊断方法 | 第67-72页 |
| 6.3.1 AN非线性降维方法 | 第68-69页 |
| 6.3.2 基于AKVPMCD和AN降维的滚动轴承故障诊断步骤 | 第69-70页 |
| 6.3.3 实例分析 | 第70-72页 |
| 6.4 本章小结 | 第72-74页 |
| 结论与展望 | 第74-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 附录A 攻读学位期间发表和录用的论文目录 | 第82-83页 |
| 附录B 攻读学位期间参与的科研项目 | 第83页 |
