| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 信号去噪的国内外研究现状 | 第8-9页 |
| 1.2.2 非线性特征提取的国内外研究现状 | 第9页 |
| 1.2.3 故障诊断的国内外研究现状 | 第9-10页 |
| 1.3 主要工作 | 第10-13页 |
| 1.3.1 主要研究内容 | 第10-11页 |
| 1.3.2 文章结构安排 | 第11-13页 |
| 第二章 振动信号的非线性分析 | 第13-32页 |
| 2.1 相空间重构 | 第13-16页 |
| 2.1.1 延迟时间的确定 | 第13-14页 |
| 2.1.2 嵌入维数的确定 | 第14-16页 |
| 2.2 振动信号的混沌特性分析 | 第16-25页 |
| 2.2.1 Lyapunov指数的计算 | 第19-23页 |
| 2.2.2 Kolmogorov熵的计算 | 第23-25页 |
| 2.3 振动信号的分形特性分析 | 第25-30页 |
| 2.3.1 关联维数的计算 | 第25-27页 |
| 2.3.2 盒维数的计算 | 第27-30页 |
| 2.4 非线性度强弱的评价 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 振动信号的非线性分解与分析 | 第32-44页 |
| 3.1 基于小波的信号分解与分析 | 第32-35页 |
| 3.1.1 基于小波的信号分解 | 第32-34页 |
| 3.1.2 基于小波的信号去噪 | 第34-35页 |
| 3.2 基于EEMD的信号分解与分析 | 第35-39页 |
| 3.2.1 基于EEMD的信号分解 | 第35-38页 |
| 3.2.2 基于EEMD-WD的信号去噪 | 第38-39页 |
| 3.3 小波和EEMD-WD分解后的非线性程度分析 | 第39-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于非线性振动信号故障检测模型的特征提取 | 第44-52页 |
| 4.1 非线性振动信号故障检测模型 | 第44-45页 |
| 4.2 基于EEMD-WD分解后的线性模型特征提取 | 第45-46页 |
| 4.2.1 线性自回归模型 | 第45页 |
| 4.2.2 线性自回归模型参数求解 | 第45-46页 |
| 4.3 基于EEMD-WD分解后的非线性Volterra模型特征提取 | 第46-50页 |
| 4.3.1 非线性Volterra模型 | 第46-47页 |
| 4.3.2 Volterra模型参数求解方法 | 第47-49页 |
| 4.3.3 IMF分量的Volterra模型辨识特征提取 | 第49-50页 |
| 4.4 基于EEMD-WD分解的特征提取 | 第50页 |
| 4.5 本章小结 | 第50-52页 |
| 第五章 基于隐Markov模型的故障识别 | 第52-59页 |
| 5.1 HMM的基本概念与算法 | 第52-56页 |
| 5.1.1 初始化模型参数? | 第52-53页 |
| 5.1.2 HMM模型的训练 | 第53-56页 |
| 5.2 基于EEMD-WD的隐Markov模型的故障诊断 | 第56-58页 |
| 5.3 本章小结 | 第58-59页 |
| 第六章 总结和展望 | 第59-61页 |
| 6.1 结论 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 发表论文和科研情况说明 | 第65-66页 |
| 致谢 | 第66页 |
