变转速工况下的行星齿轮箱智能故障诊断方法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题研究背景与意义 | 第9-11页 |
| 1.2 故障诊断简述 | 第11-12页 |
| 1.3 行星齿轮箱故障诊断难点分析 | 第12-13页 |
| 1.4 行星齿轮箱诊断方法调研 | 第13-16页 |
| 1.4.1 动力学建模方法 | 第14页 |
| 1.4.2 机械振动信号分析 | 第14-15页 |
| 1.4.3 智能诊断方法 | 第15-16页 |
| 1.5 论文内容概括及结构安排 | 第16-19页 |
| 第二章 基于阶次的结构裂纹诊断 | 第19-35页 |
| 2.1 引言 | 第19-20页 |
| 2.2 故障信号分析方法综述 | 第20-23页 |
| 2.2.1 时域分析方法 | 第20-21页 |
| 2.2.2 频域分析方法 | 第21页 |
| 2.2.3 时频域分析方法 | 第21-22页 |
| 2.2.4 阶次跟踪方法 | 第22-23页 |
| 2.3 基于阶次的结构裂纹诊断方法 | 第23-27页 |
| 2.3.1 振动信号阶次谱 | 第23-25页 |
| 2.3.2 信号阶次特征提取 | 第25-26页 |
| 2.3.3 支持向量机分类 | 第26-27页 |
| 2.4 实验分析验证 | 第27-33页 |
| 2.4.1 实验台介绍与数据采集 | 第27-28页 |
| 2.4.2 实验结果分析与讨论 | 第28-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第三章 基于卷积神经网络的故障诊断 | 第35-50页 |
| 3.1 引言 | 第35页 |
| 3.2 深度卷积神经网络简介 | 第35-42页 |
| 3.2.1 卷积神经网络组成 | 第37-40页 |
| 3.2.2 深度学习关键技术 | 第40-41页 |
| 3.2.3 相关文献调研 | 第41-42页 |
| 3.3 卷积神经网络结构研究 | 第42-44页 |
| 3.4 太阳轮故障诊断案例分析 | 第44-48页 |
| 3.4.1 故障模拟实验台介绍 | 第44-45页 |
| 3.4.2 网络超参数设置 | 第45-46页 |
| 3.4.3 模型诊断结果分析 | 第46-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 波动转速下的域适应诊断 | 第50-57页 |
| 4.1 引言 | 第50页 |
| 4.2 域适应问题研究现状 | 第50-51页 |
| 4.3 转速归一化方法 | 第51-52页 |
| 4.4 域适应诊断案例分析 | 第52-56页 |
| 4.4.1 实验台介绍与数据说明 | 第52-53页 |
| 4.4.2 网络超参数设置 | 第53-54页 |
| 4.4.3 诊断结果分析 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 全文总结与展望 | 第57-59页 |
| 5.1 全文总结 | 第57-58页 |
| 5.2 后续工作展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-66页 |
