| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第15-27页 |
| 1.1 课题来源 | 第15页 |
| 1.2 课题背景及研究目的和意义 | 第15-16页 |
| 1.3 课题相关方法国内外研究概况 | 第16-25页 |
| 1.3.1 时频分析方法研究现状 | 第16-19页 |
| 1.3.2 支持向量机智能模式识别研究现状 | 第19-20页 |
| 1.3.3 基于图像识别技术的机械故障诊断研究现状 | 第20-24页 |
| 1.3.4 基于证据理论的多特征决策融合研究现状 | 第24-25页 |
| 1.4 本文主要研究内容 | 第25-27页 |
| 第2章 旋转机械振动信号时频图像构建方法 | 第27-58页 |
| 2.1 引言 | 第27页 |
| 2.2 传统时频图像构建方法 | 第27-35页 |
| 2.2.1 线性时频图像构建方法 | 第27-29页 |
| 2.2.2 双线性时频图像构建方法 | 第29-33页 |
| 2.2.3 自适应分解时频图像构建方法 | 第33-35页 |
| 2.3 基于压缩感知的旋转机械振动信号时频图像构建方法 | 第35-42页 |
| 2.3.1 压缩感知理论 | 第35-36页 |
| 2.3.2 基于压缩感知的稀疏时频重构模型 | 第36-37页 |
| 2.3.3 基于改进梯度投影稀疏时频重构算法 | 第37-41页 |
| 2.3.4 基于压缩感知的旋转机械振动信号时频图像构建 | 第41-42页 |
| 2.4 仿真数据分析 | 第42-47页 |
| 2.4.1 仿真数据及参数设置 | 第42-43页 |
| 2.4.2 实验结果与分析 | 第43-47页 |
| 2.5 实例分析 | 第47-57页 |
| 2.5.1 旋转机械典型故障机理与特征分析 | 第47-49页 |
| 2.5.2 转子故障数据分析 | 第49-57页 |
| 2.6 本章小结 | 第57-58页 |
| 第3章 大样本的旋转机械振动信号时频图像特征提取 | 第58-73页 |
| 3.1 引言 | 第58页 |
| 3.2 传统大样本的降维方法 | 第58-61页 |
| 3.2.1 主分量分析和线性判别分析 | 第59-60页 |
| 3.2.2 稀疏保持投影 | 第60-61页 |
| 3.3 基于改进稀疏保持投影的大样本时频图像特征提取 | 第61-67页 |
| 3.3.1 改进稀疏保持投影模型 | 第61-64页 |
| 3.3.2 改进稀疏保持投影求解算法 | 第64页 |
| 3.3.3 基于改进稀疏保持投影的大样本时频图像特征提取 | 第64-67页 |
| 3.4 大样本的特征提取实例分析 | 第67-72页 |
| 3.4.1 转子故障大样本数据的来源 | 第67页 |
| 3.4.2 大样本转子故障所提特征的可分性验证 | 第67-71页 |
| 3.4.3 改进稀疏保持投影模型参数影响分析 | 第71-72页 |
| 3.5 本章小结 | 第72-73页 |
| 第4章 小样本的旋转机械振动信号时频图像特征提取 | 第73-86页 |
| 4.1 引言 | 第73页 |
| 4.2 传统小样本的降维方法 | 第73-75页 |
| 4.2.1 正则判别分析 | 第73-74页 |
| 4.2.2 稀疏正则判别分析 | 第74-75页 |
| 4.3 基于迹比稀疏正则判别分析的小样本时频图像特征提取 | 第75-79页 |
| 4.3.1 迹比稀疏正则判别分析模型 | 第75-77页 |
| 4.3.2 迹比稀疏正则判别分析求解算法 | 第77-78页 |
| 4.3.3 基于迹比稀疏正则判别分析的小样本时频图像特征提取 | 第78-79页 |
| 4.4 小样本的特征提取实例分析 | 第79-84页 |
| 4.4.1 转子故障小样本数据的来源 | 第79页 |
| 4.4.2 小样本转子故障所提特征的可分性验证 | 第79-83页 |
| 4.4.3 迹比稀疏正则判别分析模型参数影响分析 | 第83-84页 |
| 4.5 本章小结 | 第84-86页 |
| 第5章 不均衡样本的旋转机械振动信号时频图像特征提取 | 第86-103页 |
| 5.1 引言 | 第86-87页 |
| 5.2 常见编码方法 | 第87-89页 |
| 5.2.1 稀疏编码 | 第87-88页 |
| 5.2.2 低秩编码 | 第88-89页 |
| 5.3 基于局部约束低秩编码的不均衡样本时频图像特征提取 | 第89-95页 |
| 5.3.1 时频字典学习模型 | 第89-90页 |
| 5.3.2 时频字典学习算法 | 第90-92页 |
| 5.3.3 局部约束低秩编码 | 第92页 |
| 5.3.4 基于局部约束低秩编码的不均衡样本时频图像特征提取 | 第92-95页 |
| 5.4 不均衡样本的特征提取实例分析 | 第95-101页 |
| 5.4.1 转子故障不均衡样本数据的来源 | 第95-96页 |
| 5.4.2 转子故障时频字典特性分析 | 第96-98页 |
| 5.4.3 不均衡转子故障样本所提特征的可分性验证 | 第98-100页 |
| 5.4.4 局部约束低秩编码模型参数影响分析 | 第100-101页 |
| 5.5 本章小结 | 第101-103页 |
| 第6章 基于时频图像多特征融合的旋转机械故障诊断 | 第103-122页 |
| 6.1 引言 | 第103页 |
| 6.2 传统D-S证据理论 | 第103-105页 |
| 6.3 基于加权证据理论的时频图像多特征融合故障诊断 | 第105-114页 |
| 6.3.1 多目标粒子群支持向量机参数优化 | 第105-110页 |
| 6.3.2 加权D-S证据理论 | 第110-112页 |
| 6.3.3 基于加权证据理论的时频图像多特征融合故障诊断 | 第112-114页 |
| 6.4 多特征融合诊断实例分析 | 第114-120页 |
| 6.4.1 各证据体的支持向量机参数优化结果 | 第114-117页 |
| 6.4.2 转子故障时频图像多特征融合诊断结果及其分析 | 第117-120页 |
| 6.4.3 不同转子故障时频图像构建方法对比分析 | 第120页 |
| 6.5 本章小结 | 第120-122页 |
| 结论 | 第122-124页 |
| 参考文献 | 第124-137页 |
| 攻读博士学位期间发表的论文及其它成果 | 第137-139页 |
| 致谢 | 第139-140页 |
| 个人简历 | 第140页 |
