| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题的背景和意义 | 第8-10页 |
| 1.2 国内外研究现状及分析 | 第10-12页 |
| 1.3 文献综述的简析 | 第12-14页 |
| 1.4 主要研究内容 | 第14-16页 |
| 第2章 齿轮箱早期故障的信号增强 | 第16-32页 |
| 2.1 机械故障信号的循环平稳分析 | 第16-21页 |
| 2.2 齿轮箱运转的振动模型 | 第21-25页 |
| 2.2.1 齿轮局部故障振动模型 | 第21-24页 |
| 2.2.2 滚动轴承局部故障振动模型 | 第24-25页 |
| 2.3 齿轮箱早期故障信号增强的循环自适应滤波 | 第25-31页 |
| 2.3.1 有限冲击响应维纳滤波器 | 第26-28页 |
| 2.3.2 循环平稳信号维纳滤波器 | 第28-30页 |
| 2.3.3 传统维纳滤波与循环自适应滤波的对比分析 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 齿轮箱早期故障特征提取方法 | 第32-47页 |
| 3.1 时域统计量 | 第32-33页 |
| 3.2 频域统计量 | 第33-34页 |
| 3.3 时-频域统计量 | 第34-38页 |
| 3.3.1 早期故障信号的包络分析 | 第35-36页 |
| 3.3.2 小波包分解后信号的能量特征向量 | 第36-38页 |
| 3.4 非高斯域统计量 | 第38-45页 |
| 3.4.1 Alpha稳定分布基本理论 | 第39-41页 |
| 3.4.2 Alpha参数在故障诊断中的应用 | 第41-45页 |
| 3.5 对特征性能的评价 | 第45-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 齿轮箱早期故障的智能分类方法 | 第47-55页 |
| 4.1 基于粗糙集的属性约简算法 | 第47-50页 |
| 4.1.1 基于决策表相容度的连续特征离散化方法 | 第47-49页 |
| 4.1.2 特征集的动态属性约简 | 第49-50页 |
| 4.2 贝叶斯网络分类器对齿轮箱早期故障的分类 | 第50-54页 |
| 4.2.1 贝叶斯分类器 | 第51-54页 |
| 4.2.2 分类准确性评价标准 | 第54页 |
| 4.3 本章小结 | 第54-55页 |
| 第5章 实验验证和对比分析 | 第55-62页 |
| 5.1 实验设备简介 | 第55-56页 |
| 5.2 实验相关条件设定 | 第56-57页 |
| 5.3 实验数据分析 | 第57-61页 |
| 5.4 本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第68-70页 |
| 致谢 | 第70页 |