| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 齿轮箱故障诊断研究现状 | 第11-15页 |
| 1.2.1 基于平稳信号的齿轮箱故障诊断研究 | 第11-12页 |
| 1.2.2 基于非平稳信号的齿轮箱故障诊断研究 | 第12-15页 |
| 1.3 论文研究主要内容及创新点 | 第15-17页 |
| 1.3.1 主要研究内容及章节安排 | 第15-16页 |
| 1.3.2 主要创新点 | 第16-17页 |
| 第二章 齿轮箱故障类型及其变工况特征分析 | 第17-28页 |
| 2.1 齿轮箱故障类型 | 第17-19页 |
| 2.1.1 轴承故障类型及其信号特点 | 第18-19页 |
| 2.1.2 齿轮故障类型及其信号特点 | 第19页 |
| 2.2 齿轮箱故障实验台的搭建 | 第19-23页 |
| 2.2.1 实验硬件设备及参数介绍 | 第20-21页 |
| 2.2.2 实验振动信号采集系统 | 第21-22页 |
| 2.2.3 实验工况介绍 | 第22-23页 |
| 2.3 变工况齿轮箱齿轮振动信号特点 | 第23-27页 |
| 2.3.1 非线性多分量信号 | 第23-24页 |
| 2.3.2 变转速工况分析 | 第24-25页 |
| 2.3.3 变负载工况分析 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于字典学习的形态分量分析方法提取轴承故障特征研究 | 第28-41页 |
| 3.1 形态分量分析方法 | 第28-31页 |
| 3.1.1 MCA方法原理 | 第28-29页 |
| 3.1.2 MCA实现步骤 | 第29-30页 |
| 3.1.3 阈值的选择与更新方法 | 第30页 |
| 3.1.4 字典的选择 | 第30-31页 |
| 3.2 字典学习方法 | 第31-32页 |
| 3.2.1 K-SVD字典学习 | 第31页 |
| 3.2.2 字典学习算法实现步骤 | 第31-32页 |
| 3.3 字典学习的形态分量分析方法的算法仿真 | 第32-36页 |
| 3.4 基于字典学习形态分量分析方法的实测信号分析 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于阶次跟踪的变转速信号处理方法 | 第41-54页 |
| 4.1 数字微分计算转速曲线的阶次跟踪方法 | 第41-45页 |
| 4.1.1 基于数字微分的转速曲线计算 | 第41-42页 |
| 4.1.2 等角度采样 | 第42-43页 |
| 4.1.3 实测信号的阶次分量提取 | 第43-45页 |
| 4.2 瞬时频率估计的阶次跟踪方法 | 第45-46页 |
| 4.2.1 瞬时频率的定义 | 第45页 |
| 4.2.2 线性调频小波 | 第45-46页 |
| 4.3 线性调频小波路径追踪用于估计瞬时频率 | 第46-53页 |
| 4.3.1 CPP算法原理 | 第47-49页 |
| 4.3.2 仿真齿轮故障信号的转频提取 | 第49-52页 |
| 4.3.3 实测齿轮故障振动信号的转频提取 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 基于形态分量分析的变工况齿轮箱故障诊断 | 第54-65页 |
| 5.1 角域平均算法 | 第54-55页 |
| 5.2 瞬时功率谱识别故障 | 第55-57页 |
| 5.2.1 瞬时功率谱 | 第55-56页 |
| 5.2.2 瞬时功率谱识别故障实例 | 第56-57页 |
| 5.3 形态分量分析提取角域信号故障特征的方法 | 第57-58页 |
| 5.4 基于形态分量分析的变工况齿轮故障实验验证 | 第58-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 结论与展望 | 第65-67页 |
| 6.1 结论 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第73页 |