基于状态在线监测的齿轮箱多状态故障识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 多状态系统的研究现状分析 | 第10-11页 |
| 1.3 齿轮箱故障识别的研究现状分析 | 第11-12页 |
| 1.4 状态在线监测的研究现状分析 | 第12-13页 |
| 1.5 深度学习理论在故障识别领域的应用 | 第13-15页 |
| 1.6 论文主要研究内容和结构安排 | 第15页 |
| 1.7 本章小结 | 第15-16页 |
| 第二章 齿轮箱振动试验 | 第16-35页 |
| 2.1 试验原理 | 第16-17页 |
| 2.2 试验方案设计 | 第17-20页 |
| 2.2.1 试验条件的选择 | 第17-19页 |
| 2.2.2 振动信号的采集 | 第19-20页 |
| 2.3 试验设备 | 第20-23页 |
| 2.4 试验步骤 | 第23-24页 |
| 2.5 试验分析 | 第24-34页 |
| 2.5.1 统计参数分析 | 第27-28页 |
| 2.5.2 功率谱和能量谱分析 | 第28-33页 |
| 2.5.3 线性谱分析 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 齿轮箱故障特征的提取与优选 | 第35-52页 |
| 3.1 特征的提取 | 第35-41页 |
| 3.1.1 基于时域分析的特征参数 | 第35-36页 |
| 3.1.2 基于频域分析的特征参数 | 第36-41页 |
| 3.2 特征的优选 | 第41-46页 |
| 3.3 基于小波包分解的特征提取法 | 第46-49页 |
| 3.3.1 小波包分解原理 | 第46-48页 |
| 3.3.2 试验分析 | 第48-49页 |
| 3.4 基于线性谱分析的特征提取法 | 第49-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 基于深度卷积神经网络的特征融合与故障识别 | 第52-68页 |
| 4.1 深度卷积神经网络(DCNN) | 第52-58页 |
| 4.1.1 DCNN模型的建立 | 第53-56页 |
| 4.1.2 DCNN模型的训练 | 第56-58页 |
| 4.2 基于支持向量机的故障识别 | 第58-61页 |
| 4.2.1 支持向量机的二分类 | 第58-60页 |
| 4.2.2 支持向量机的多分类 | 第60-61页 |
| 4.3 试验分析 | 第61-67页 |
| 4.3.1 试验1分析 | 第61-63页 |
| 4.3.2 试验2分析 | 第63-65页 |
| 4.3.3 试验3分析 | 第65-67页 |
| 4.4 本章小结 | 第67-68页 |
| 第五章 结论与展望 | 第68-70页 |
| 5.1 结论 | 第68页 |
| 5.2 展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 附录 | 第74-82页 |
| 致谢 | 第82-83页 |
| 攻读学位期间的研究成果 | 第83-84页 |
