| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-21页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 信号降噪处理方法的研究现状 | 第12-13页 |
| 1.2.2 故障特征提取方法的研究现状 | 第13-15页 |
| 1.2.3 故障状态识别方法的研究现状 | 第15-17页 |
| 1.3 研究内容与技术路线 | 第17-19页 |
| 1.3.1 研究内容 | 第17-18页 |
| 1.3.2 研究技术路线 | 第18-19页 |
| 1.4 研究创新点 | 第19-21页 |
| 2 相关理论综述 | 第21-32页 |
| 2.1 滚动轴承故障机理理论 | 第21-23页 |
| 2.1.1 滚动轴承的故障形式 | 第21-22页 |
| 2.1.2 滚动轴承的振动机理 | 第22-23页 |
| 2.2 变分模态分解理论 | 第23-25页 |
| 2.2.1 VMD基本原理 | 第23-24页 |
| 2.2.2 VMD算法流程 | 第24-25页 |
| 2.3 支持向量机理论 | 第25-28页 |
| 2.3.1 统计学习理论 | 第25-26页 |
| 2.3.2 支持向量机 | 第26-28页 |
| 2.4 鸟群算法理论 | 第28-30页 |
| 2.5 莱维飞行理论 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 3 基于流形学习的故障融合特征提取 | 第32-42页 |
| 3.1 滚动轴承故障信号的降噪处理 | 第32-34页 |
| 3.1.1 小波包阈值降噪原理 | 第32-34页 |
| 3.1.2 VMD和小波包阈值联合降噪 | 第34页 |
| 3.2 滚动轴承故障信号的特征提取 | 第34-39页 |
| 3.2.1 基于统计性参数的信号特征提取 | 第35-36页 |
| 3.2.2 基于能量的信号特征提取 | 第36页 |
| 3.2.3 基于熵的信号特征提取 | 第36-39页 |
| 3.3 滚动轴承故障信号的多特征融合 | 第39-41页 |
| 3.3.1 流形学习理论 | 第39-40页 |
| 3.3.2 基于t-SNE的多特征融合 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 基于LBSA-BTSVM的故障预测模型构建 | 第42-48页 |
| 4.1 构建模型的基本思路 | 第42页 |
| 4.2 BTSVM模型原理 | 第42-44页 |
| 4.3 LBSA算法流程 | 第44-46页 |
| 4.4 基于LBSA-BTSVM的滚动轴承故障预测模型 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 实验分析 | 第48-69页 |
| 5.1 实验准备 | 第48-49页 |
| 5.1.1 实验环境 | 第48页 |
| 5.1.2 样本收集 | 第48-49页 |
| 5.2 滚动轴承振动信号融合特征提取 | 第49-59页 |
| 5.2.1 滚动轴承运行状态下振动信号分解 | 第49-52页 |
| 5.2.2 滚动轴承运行状态下振动信号降噪 | 第52-55页 |
| 5.2.3 滚动轴承运行状态下振动信号融合特征提取 | 第55-59页 |
| 5.3 滚动轴承故障预测效果分析 | 第59-65页 |
| 5.3.1 基于融合特征的LBSA-BTSVM的故障预测效果分析 | 第59-60页 |
| 5.3.2 与基于各项单特征的LBSA-BTSVM故障预测效果对比 | 第60-62页 |
| 5.3.3 与基于融合特征的其他预测模型故障预测效果对比 | 第62-65页 |
| 5.4 基于预测模型的滚动轴承故障控制措施 | 第65-68页 |
| 5.5 本章小结 | 第68-69页 |
| 6 总结与展望 | 第69-71页 |
| 6.1 研究总结 | 第69-70页 |
| 6.2 研究展望 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 个人简历、在校期间发表的学术论文与研究成果 | 第76-77页 |
| 致谢 | 第77页 |
