| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9-10页 |
| 第一章 绪论 | 第17-27页 |
| 1.1 课题来源及研究意义 | 第17-18页 |
| 1.1.1 课题来源 | 第17页 |
| 1.1.2 课题的研究背景和意义 | 第17-18页 |
| 1.2 课题有关问题的国内外研究现状 | 第18-24页 |
| 1.2.1 滚动轴承故障特征提取方法的研究现状 | 第18-22页 |
| 1.2.2 滚动轴承复合故障诊断技术的研究现状 | 第22页 |
| 1.2.3 退化趋势预测方法的研究现状 | 第22-24页 |
| 1.3 滚动轴承故障诊断的基本概念 | 第24-25页 |
| 1.3.1 滚动轴承的结构 | 第24页 |
| 1.3.2 滚动轴承常见失效形式及故障特征频率计算公式 | 第24-25页 |
| 1.4 本文主要研究内容 | 第25-27页 |
| 第二章 基于IVMD和三点对称差分能量算子的滚动轴承故障特征提取 | 第27-55页 |
| 2.1 变分模态分解 | 第27-40页 |
| 2.1.1 VMD的基本原理 | 第27-30页 |
| 2.1.2 VMD仿真分析以及与EMD的对比分析 | 第30-33页 |
| 2.1.3 参数对VMD分解性能的影响 | 第33-39页 |
| 2.1.4 改进变分模态分解算法流程 | 第39-40页 |
| 2.2 能量算子解调方法 | 第40-42页 |
| 2.2.1 Teager能量算子解调 | 第41-42页 |
| 2.2.2 三点对称差分能量算子解调 | 第42页 |
| 2.3 基于IVMD和三点对称差分能量算子的滚动轴承故障特征提取 | 第42-53页 |
| 2.3.1 算法流程 | 第42-43页 |
| 2.3.2 仿真信号分析 | 第43-48页 |
| 2.3.3 实验信号分析 | 第48-53页 |
| 2.4 本章小结 | 第53-55页 |
| 第三章 基于MOMEDA的滚动轴承复合故障诊断 | 第55-75页 |
| 3.1 时域解卷积方法 | 第55-62页 |
| 3.1.1 最小熵解卷积 | 第55-57页 |
| 3.1.2 最大相关峭度解卷积 | 第57-58页 |
| 3.1.3 修正的最小熵解卷积 | 第58页 |
| 3.1.4 修正的最优最小熵解卷积 | 第58-60页 |
| 3.1.5 多点最优修正的最小熵解卷积 | 第60-62页 |
| 3.2 MOMEDA与MCKD、OMEDA的对比分析 | 第62-64页 |
| 3.3 基于MOMEDA的滚动轴承复合故障诊断 | 第64-73页 |
| 3.3.1 多点峭度的定义 | 第64-65页 |
| 3.3.2 滚动轴承复合故障仿真信号分析 | 第65-70页 |
| 3.3.3 滚动轴承复合故障实验信号分析 | 第70-73页 |
| 3.4 本章小结 | 第73-75页 |
| 第四章 滚动轴承运行状态监测与退化趋势预测方法研究 | 第75-91页 |
| 4.1 基于时域统计特征参数的滚动轴承运行状态监测 | 第75-79页 |
| 4.1.1 时域统计特征参数 | 第75页 |
| 4.1.2 滚动轴承全寿命实验 | 第75-76页 |
| 4.1.3 实验数据时域统计特征参数分析 | 第76-79页 |
| 4.2 基于VMD能量熵的滚动轴承运行状态监测 | 第79-82页 |
| 4.2.1 信息熵理论 | 第79页 |
| 4.2.2 VMD能量熵 | 第79-80页 |
| 4.2.3 实验数据分析 | 第80-82页 |
| 4.3 基于VMD能量熵模糊粒化和SVM的滚动轴承性能退化趋势预测 | 第82-90页 |
| 4.3.1 支持向量机理论 | 第82-84页 |
| 4.3.2 信息粒化 | 第84-85页 |
| 4.3.3 滚动轴承性能退化趋势预测算法流程 | 第85页 |
| 4.3.4 实验数据分析 | 第85-90页 |
| 4.4 本章小结 | 第90-91页 |
| 第五章 总结与展望 | 第91-93页 |
| 5.1 全文总结 | 第91-92页 |
| 5.2 研究展望 | 第92-93页 |
| 参考文献 | 第93-103页 |
| 攻读硕士期间的学术活动及成果情况 | 第103-104页 |
