基于HHT和WNN的齿轮箱故障诊断
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-17页 |
| ·课题背景及意义 | 第11页 |
| ·故障诊断的研究现状 | 第11-12页 |
| ·故障诊断发展趋势 | 第12页 |
| ·齿轮箱故障诊断的研究现状 | 第12-13页 |
| ·机理研究 | 第12-13页 |
| ·振动信号处理技术 | 第13页 |
| ·故障诊断方法 | 第13页 |
| ·齿轮箱故障诊断技术的发展 | 第13-15页 |
| ·复合诊断法 | 第13-14页 |
| ·小波分析与其它诊断方法复合 | 第14页 |
| ·神经网络与其它方法融合 | 第14页 |
| ·人工智能在齿轮箱故障诊断中的应用 | 第14-15页 |
| ·生物学机理引人齿轮箱故障诊断 | 第15页 |
| ·齿轮箱远程诊断 | 第15页 |
| ·本文主要研究内容 | 第15-17页 |
| 第2章 基于HHT 的信号处理和WNN 理论 | 第17-47页 |
| ·信号处理方法简介 | 第17-20页 |
| ·非稳态数据处理方法 | 第20-25页 |
| ·小波分析 | 第20-21页 |
| ·Wigner-Ville 分布 | 第21-22页 |
| ·谱图 | 第22-23页 |
| ·进化谱 | 第23页 |
| ·经验正交函数分解（EOF） | 第23-24页 |
| ·其他复合方法 | 第24-25页 |
| ·小波包分析 | 第25-28页 |
| ·小波包的分解与重构 | 第25-27页 |
| ·信号的小波包降噪步骤 | 第27页 |
| ·阈值的选取和量化 | 第27-28页 |
| ·Hilbert-Huang 变换 | 第28-41页 |
| ·瞬时频率 | 第28-31页 |
| ·本征模态函数(IMF) | 第31-34页 |
| ·经验模态分解方法(EMD) | 第34-39页 |
| ·Hilbert 谱分析 | 第39-41页 |
| ·小波神经网络 | 第41-44页 |
| ·小波神经网络模型 | 第42页 |
| ·小波神经网络BP 算法 | 第42-44页 |
| ·本章小结 | 第44-47页 |
| 第3章 齿轮箱故障诊断实验 | 第47-59页 |
| ·故障模式选择 | 第48-49页 |
| ·选择齿轮裂纹等级 | 第49-51页 |
| ·齿轮的选择 | 第51-52页 |
| ·转速和载荷的选择 | 第52-53页 |
| ·采样频率和采样时间的选择 | 第53-55页 |
| ·数据采集设备 | 第55页 |
| ·实验步骤 | 第55-57页 |
| ·本章小结 | 第57-59页 |
| 第4章 基于HHT 的齿轮箱故障诊断 | 第59-73页 |
| ·仿真信号分析 | 第60-61页 |
| ·小波包分解过程 | 第61-63页 |
| ·经验模态分解过程（EMD） | 第63-66页 |
| ·Hilbert 谱分析过程 | 第66-72页 |
| ·本章小结 | 第72-73页 |
| 第5章 基于WNN 的齿轮箱故障诊断 | 第73-81页 |
| ·特征提取过程 | 第73-76页 |
| ·时域特征提取 | 第73-74页 |
| ·小波包特征提取 | 第74-75页 |
| ·小波特征提取 | 第75-76页 |
| ·诊断结果分析与讨论 | 第76-80页 |
| ·诊断结果 | 第76-79页 |
| ·讨论 | 第79-80页 |
| ·本章小结 | 第80-81页 |
| 第6章 本文结论与展望 | 第81-83页 |
| ·结论 | 第81-82页 |
| ·展望 | 第82-83页 |
| 参考文献 | 第83-91页 |
| 攻读硕士学位论文期间发表的论文 | 第91-93页 |
| 附录 | 第93-97页 |
| 致谢 | 第97-99页 |
