| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-19页 |
| ·滚动轴承故障诊断的意义 | 第10-11页 |
| ·滚动轴承故障诊断技术综述 | 第11-12页 |
| ·滚动轴承故障诊断系统 | 第11页 |
| ·滚动轴承故障诊断方法 | 第11-12页 |
| ·滚动轴承故障研究现状 | 第12-17页 |
| ·滚动轴承故障诊断发展历程 | 第12-13页 |
| ·滚动轴承故障特征提取技术 | 第13-14页 |
| ·滚动轴承复合故障诊断问题 | 第14-16页 |
| ·多分类器组融合技术的研究 | 第16-17页 |
| ·主要研究内容 | 第17-19页 |
| 第2章 滚动轴承故障分析 | 第19-33页 |
| ·轴承故障机理分析 | 第19-22页 |
| ·滚动轴承机械结构 | 第19-20页 |
| ·滚动轴承失效形式 | 第20-21页 |
| ·滚动轴承振动分析 | 第21-22页 |
| ·实验平台介绍 | 第22-24页 |
| ·轴承故障时、频域特征 | 第24-29页 |
| ·时域特征分析 | 第24-27页 |
| ·频域特征分析 | 第27-29页 |
| ·信号特征提取方法 | 第29-32页 |
| ·小波包变换方法 | 第29-31页 |
| ·总体平均经验模式分解（EEMD） | 第31页 |
| ·时频信息熵方法 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 基于支持向量机的分类器模型 | 第33-41页 |
| ·支持向量机模型 | 第33-35页 |
| ·机器学习问题 | 第33-34页 |
| ·统计学习理论 | 第34-35页 |
| ·SVM 分类原理 | 第35页 |
| ·LSSVM 分类器 | 第35-37页 |
| ·分类原理 | 第36-37页 |
| ·核函数分析 | 第37页 |
| ·分类器性能分析 | 第37-40页 |
| ·数据训练问题 | 第37-38页 |
| ·故障模式识别 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 基于多特征提取的多分类器组诊断模型 | 第41-51页 |
| ·多分类器组诊断模型 | 第41-44页 |
| ·多特征提取 | 第42页 |
| ·SWDT 融合决策 | 第42-44页 |
| ·仿真实验 | 第44-48页 |
| ·多特征提取 | 第44-46页 |
| ·分类器组融合决策 | 第46-48页 |
| ·实测数据分析 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第5章 改进 ABC 算法优化 LSSVM 分类器组诊断模型 | 第51-63页 |
| ·改进 ABC 算法（IABC） | 第51-55页 |
| ·蜂群采蜜模型 | 第51-53页 |
| ·基本人工蜂群（ABC）算法 | 第53-54页 |
| ·改进人工蜂群算法（IABC） | 第54-55页 |
| ·IABC 优化 LSSVM 分类参数 | 第55-57页 |
| ·基于时频特征分析的 IABC-LSSVM 诊断模型 | 第57-58页 |
| ·仿真实验 | 第58-61页 |
| ·实测数据分析 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第69-70页 |
| 致谢 | 第70-71页 |
| 作者简介 | 第71页 |