变速箱齿轮故障诊断系统研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 相关技术的研究现状 | 第9-14页 |
| 1.2.1 齿轮故障分析的研究现状 | 第9-10页 |
| 1.2.2 齿轮故障诊断的方法及研究现状 | 第10-12页 |
| 1.2.3 齿轮故障状态的识别方法及研究现状 | 第12-14页 |
| 1.3 主要思路及内容 | 第14-16页 |
| 第二章 变速箱齿轮的故障诊断 | 第16-29页 |
| 2.1 常规变速箱的结构 | 第16页 |
| 2.2 变速箱齿轮故障诊断的模式 | 第16-17页 |
| 2.3 齿轮的故障形式 | 第17-19页 |
| 2.4 齿轮的振动机理 | 第19-22页 |
| 2.4.1 齿轮振动的原因 | 第19-21页 |
| 2.4.2 齿轮啮合的简化模型 | 第21-22页 |
| 2.5 齿轮状态信号的调制 | 第22-28页 |
| 2.5.1 齿轮啮合的频率调制 | 第22-27页 |
| 2.5.2 齿轮的固有频率调制 | 第27-28页 |
| 2.6 本章总结 | 第28-29页 |
| 第三章 齿轮故障特征提取的研究 | 第29-52页 |
| 3.1 LMD理论 | 第29-36页 |
| 3.1.1 LMD概述 | 第29-30页 |
| 3.1.2 LMD分解原理 | 第30-32页 |
| 3.1.3 LMD分解算法的信号仿真 | 第32-36页 |
| 3.2 数学形态学滤波 | 第36-42页 |
| 3.2.1 数学形态学的理论概述 | 第36-37页 |
| 3.2.2 数学形态学结构元素 | 第37-38页 |
| 3.2.3 形态学结构元素的选择依据 | 第38页 |
| 3.2.4 数学形态学滤波器 | 第38-40页 |
| 3.2.5 数学形态学滤波的仿真验证 | 第40-42页 |
| 3.3 样本熵理论及参数选取 | 第42-45页 |
| 3.3.1 样本熵的基本理论 | 第42-43页 |
| 3.3.2 样本熵的参数选择 | 第43-44页 |
| 3.3.3 样本熵在齿轮故障诊断的仿真验证 | 第44-45页 |
| 3.4 BP神经网络 | 第45-50页 |
| 3.4.1 BP神经网络的结构 | 第45-47页 |
| 3.4.2 BP神经网络的学习算法 | 第47-50页 |
| 3.5 齿轮的故障诊断流程 | 第50-51页 |
| 3.6 本章小结 | 第51-52页 |
| 第四章 齿轮故障特征提取 | 第52-68页 |
| 4.1 试验平台及仪器 | 第52-54页 |
| 4.2 试验方案设计 | 第54-56页 |
| 4.3 试验数据分析 | 第56-60页 |
| 4.3.1 齿轮磨损故障试验数据的分析 | 第56-58页 |
| 4.3.2 齿轮断齿故障试验数据的分析 | 第58-60页 |
| 4.4 基于BP神经网络的齿轮智能故障诊断 | 第60-67页 |
| 4.4.1 BP神经网络的建立 | 第60-63页 |
| 4.4.2 齿轮故障诊断的仿真 | 第63-67页 |
| 4.5 本章小结 | 第67-68页 |
| 第五章 齿轮故障智能诊断 | 第68-79页 |
| 5.1 诊断平台概述 | 第68页 |
| 5.2 诊断平台总体开发工具简介 | 第68-69页 |
| 5.3 诊断平台功能及信号处理流程 | 第69-78页 |
| 5.3.1 GDVI系统的主界 | 第69-70页 |
| 5.3.2 参数设置 | 第70-71页 |
| 5.3.3 时域分析 | 第71-72页 |
| 5.3.4 频谱分析 | 第72-77页 |
| 5.3.5 智能故障诊断 | 第77-78页 |
| 5.4 本章小结 | 第78-79页 |
| 结论 | 第79-81页 |
| 参考文献 | 第81-86页 |
| 攻读学位期间取得的研究成果 | 第86-87页 |
| 致谢 | 第87页 |
