| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 机械设备故障诊断的国内外研究现状 | 第10-12页 |
| 1.2.2 电机故障诊断的国内外研究现状 | 第12-13页 |
| 1.3 研究内容与技术路线 | 第13-15页 |
| 第二章 汽车调光电机装置检测试验台搭建 | 第15-22页 |
| 2.1 汽车调光电机装置简介 | 第15-16页 |
| 2.2 汽车调光电机装置的振动噪声机理 | 第16-18页 |
| 2.2.1 电机振动噪声 | 第16页 |
| 2.2.2 齿轮传动噪声 | 第16-18页 |
| 2.3 基于振动数据采集的试验台架搭建 | 第18-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 汽车调光电机装置信号分析及特征提取 | 第22-42页 |
| 3.1 信号分析基础理论 | 第22-31页 |
| 3.1.1 时域和频域分析 | 第22-24页 |
| 3.1.2 小波分析理论 | 第24-31页 |
| 3.2 调光电机装置的信号分析 | 第31-36页 |
| 3.3 信号特征提取 | 第36-38页 |
| 3.3.1 时域分析特征参数提取 | 第36页 |
| 3.3.2 频域分析特征参数提取 | 第36-37页 |
| 3.3.3 小波包分解能量谱特征参数提取 | 第37-38页 |
| 3.4 基于主成分分析的最优特征参数集合 | 第38-41页 |
| 3.3.1 主成分分析理论 | 第39-41页 |
| 3.3.2 主成分分析算法步骤 | 第41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于听觉特性的异音诊断识别方法研究 | 第42-58页 |
| 4.1 故障诊断与模式识别 | 第42页 |
| 4.2 人工神经网络 | 第42-43页 |
| 4.3 BP神经网络及其改进算法 | 第43-47页 |
| 4.3.1 BP神经网络算法 | 第43-47页 |
| 4.3.2 改进BP算法 | 第47页 |
| 4.4 基于改进BP神经网络的调光电机装置异音识别 | 第47-56页 |
| 4.4.1 网络结构设计 | 第48-49页 |
| 4.4.2 训练样本建立 | 第49-53页 |
| 4.4.3 自适应的BP神经网络建立 | 第53-56页 |
| 4.5 预测诊断结果分析 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 调光电机异音故障原因分析 | 第58-73页 |
| 5.1 异音故障频谱特性分析 | 第58-61页 |
| 5.2 调光电机装置箱体有限元分析 | 第61-65页 |
| 5.2.1 箱体三维模型和有限元模型的建立 | 第61-62页 |
| 5.2.2 箱体有限元模态分析 | 第62-65页 |
| 5.3 调光电机装置异音机理分析 | 第65-70页 |
| 5.3.1 非典型异音件故障机理分析 | 第65-66页 |
| 5.3.2 典型异音件故障机理分析 | 第66-70页 |
| 5.4 多组异音故障部件交叉试验分析 | 第70-72页 |
| 5.5 本章小结 | 第72-73页 |
| 第六章 调光电机装置异音诊断系统线上检测的实现 | 第73-82页 |
| 6.1 系统开发工具选择 | 第73页 |
| 6.2 异音诊断系统总体设计 | 第73-74页 |
| 6.2.1 异音诊断系统硬件设计 | 第73页 |
| 6.2.2 异音诊断系统软件设计 | 第73-74页 |
| 6.3 异音故障诊断系统实现 | 第74-80页 |
| 6.4 线上诊断结果 | 第80-81页 |
| 6.5 本章小结 | 第81-82页 |
| 第七章 总结与展望 | 第82-84页 |
| 7.1 全文总结 | 第82-83页 |
| 7.2 展望 | 第83-84页 |
| 攻读学位期间发表的学术论文 | 第84-85页 |
| 参考文献 | 第85-89页 |