| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 课题来源 | 第10页 |
| 1.2 背景及意义 | 第10-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.3.1 齿轮故障诊断国内外研究现状 | 第12-13页 |
| 1.3.2 数字图像处理技术在国内外研究现状 | 第13-14页 |
| 1.3.4 基于图像识别的机械故障诊断国内研究现状 | 第14页 |
| 1.4 主要研究内容 | 第14-15页 |
| 1.5 论文结构安排 | 第15-16页 |
| 2 齿轮故障机理及现代信号处理技术分析 | 第16-20页 |
| 2.1 齿轮的故障机理分析 | 第16-18页 |
| 2.2 现代齿轮故障诊断信号处理技术介绍 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 3 基于小波包双谱分析的齿轮故障信号处理研究 | 第20-31页 |
| 3.1 小波包分解技术 | 第20-23页 |
| 3.1.1 小波包定义 | 第20-21页 |
| 3.1.2 小波包的空间分解 | 第21-23页 |
| 3.1.3 小波包分解与重构 | 第23页 |
| 3.2 双谱分析 | 第23-27页 |
| 3.2.1 高阶谱的定义 | 第23-24页 |
| 3.2.2 双谱的性质 | 第24-25页 |
| 3.2.3 双谱的物理意义 | 第25-26页 |
| 3.2.4 双谱分析的优缺点 | 第26-27页 |
| 3.3 小波包双谱分析 | 第27页 |
| 3.4 仿真实验 | 第27-30页 |
| 3.5 本章小结 | 第30-31页 |
| 4 双谱图的融合与特征提取研究 | 第31-48页 |
| 4.1 双谱图和灰度图像的映射关系 | 第31-32页 |
| 4.2 基于小波变换的图像融合 | 第32-37页 |
| 4.2.1 图像融合的级别 | 第32-34页 |
| 4.2.2 图像的小波分解 | 第34-35页 |
| 4.2.3 基于匹配度的图像融合方法 | 第35-37页 |
| 4.3 基于灰度共生矩阵的图像纹理特征提取 | 第37-41页 |
| 4.3.1 灰度共生矩阵及其二阶统计量 | 第38-39页 |
| 4.3.2 灰度共生矩阵的二阶统计量 | 第39-41页 |
| 4.4 灰度共生矩阵的融合 | 第41-42页 |
| 4.5 基于距离的可分性测度 | 第42-43页 |
| 4.6 实验结果分析 | 第43-46页 |
| 4.6.1 基于小波变换的图像融合实验 | 第44页 |
| 4.6.2 GLCM参数对可分性判据的影响实验 | 第44-46页 |
| 4.7 本章小结 | 第46-48页 |
| 5 基于支持向量机(SVM)的图像识别研究 | 第48-58页 |
| 5.1 典型图像识别系统结构 | 第48页 |
| 5.2 最优分类面 | 第48-50页 |
| 5.3 支持向量机 | 第50-53页 |
| 5.4 SVM分类实现步骤 | 第53-54页 |
| 5.5 SVM多分类问题研究 | 第54-55页 |
| 5.6 仿真实验 | 第55-57页 |
| 5.7 本章小结 | 第57-58页 |
| 6 基于图像识别的齿轮箱故障诊断实验分析 | 第58-69页 |
| 6.1 齿轮故障信号的小波包双谱分析 | 第58-62页 |
| 6.2 双谱图的融合 | 第62-63页 |
| 6.3 双谱图灰度共生矩阵的特征提取及分类 | 第63-66页 |
| 6.4 基于支持向量机的图像分类识别 | 第66-68页 |
| 6.5 本章小结 | 第68-69页 |
| 7 结论与展望 | 第69-72页 |
| 7.1 本文总结 | 第69-70页 |
| 7.2 工作展望 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-76页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第76页 |