| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究目的和意义 | 第11页 |
| 1.3 国内外研究现状 | 第11-16页 |
| 1.3.1 机械设备故障监测与诊断方法 | 第11-14页 |
| 1.3.2 滚动轴承故障诊断方法的发展现状 | 第14-16页 |
| 1.4 论文主要研究内容 | 第16页 |
| 1.5 本章小结 | 第16-18页 |
| 第2章 滚动轴承的故障机理及其诊断技术 | 第18-26页 |
| 2.1 滚动轴承的基本组成及故障的基本形式 | 第18-20页 |
| 2.2 滚动轴承的结构参数和故障特征频率 | 第20-21页 |
| 2.3 滚动轴承的振动信号提取方法 | 第21-23页 |
| 2.4 滚动轴承故障诊断方法 | 第23-25页 |
| 2.4.1 基于神经网络的诊断方法 | 第23页 |
| 2.4.2 基于支持向量机的诊断方法 | 第23-24页 |
| 2.4.3 基于支持向量数据描述的诊断方法 | 第24页 |
| 2.4.4 基于逻辑回归的诊断方法 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 LMD和LR结合的滚动轴承故障类型识别模型 | 第26-41页 |
| 3.1 LMD和LR模型的理论 | 第26-33页 |
| 3.1.1 LMD简介 | 第26页 |
| 3.1.2 LMD相关理论及仿真信号分析 | 第26-29页 |
| 3.1.3 LR模型的理论 | 第29-31页 |
| 3.1.4 LR模型的参数估计方法 | 第31-33页 |
| 3.2 基于遗传算法的LR参数优化 | 第33-35页 |
| 3.3 基于LMD和LR的滚动轴承故障类型识别模型 | 第35-40页 |
| 3.3.1 模型建立 | 第35-36页 |
| 3.3.2 模型验证 | 第36-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 LMD和SVDD结合的滚动轴承故障状态识别模型 | 第41-55页 |
| 4.1 SVDD理论及核函数选择 | 第41-46页 |
| 4.1.1 SVDD理论 | 第41-43页 |
| 4.1.2 核函数的选择 | 第43-46页 |
| 4.2 基于LMD和SVDD的滚动轴承状态识别模型 | 第46-54页 |
| 4.2.1 基于LMD特征选择 | 第46-47页 |
| 4.2.2 模型建立 | 第47-48页 |
| 4.2.3 模型验证 | 第48-54页 |
| 4.3 本章小结 | 第54-55页 |
| 第5章 实验验证 | 第55-67页 |
| 5.1 基于LMD和LR模型的滚动轴承状态类型识别 | 第55-59页 |
| 5.1.1 基于LMD特征选取 | 第56-58页 |
| 5.1.2 滚动轴承故障类型识别 | 第58-59页 |
| 5.2 基于LMD和SVDD模型的滚动轴承故障状态识别 | 第59-66页 |
| 5.2.1 滚动轴承内圈故障状态识别 | 第59-63页 |
| 5.2.2 滚动轴承外圈故障状态识别 | 第63-66页 |
| 5.3 本章小结 | 第66-67页 |
| 结论 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第73-74页 |
| 致谢 | 第74-75页 |
