| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 1 绪论 | 第12-28页 |
| 1.1 课题的提出与研究意义 | 第12-14页 |
| 1.2 机械设备（齿轮传动系统为主）故障诊断方法研究现状 | 第14-24页 |
| 1.2.1 齿轮故障研究 | 第15-17页 |
| （1） 齿轮故障类型 | 第15-16页 |
| （2） 齿轮故障状态特征的振动信号 | 第16页 |
| （3） 齿轮故障形成机理研究现状 | 第16-17页 |
| 1.2.2 常见振动信号特征提取方法（信号处理方法） | 第17-24页 |
| 1.3 智能故障识别模型的研究 | 第24页 |
| 1.4 课题的提出及本文的主要研究工作 | 第24-28页 |
| 1.4.1 问题提出 | 第24-25页 |
| 1.4.2 论文的主要研究内容 | 第25页 |
| 1.4.3 论文研究的主要创新点 | 第25-26页 |
| 1.4.4 章节结构安排 | 第26-28页 |
| 2 齿轮系统非线性动力学特性及其典型故障形成机理 | 第28-52页 |
| 2.1 引言 | 第28-29页 |
| 2.2 齿轮振动力学模型及受力分析 | 第29-36页 |
| 2.2.1 摩擦力及其啮合力分析 | 第30-32页 |
| 2.2.2 作用在主从、动轮的力矩 | 第32页 |
| 2.2.3 作用在主、从动齿轮间的动态啮合力 | 第32-33页 |
| 2.2.4 齿轮综合啮合刚度和静态传递误差 | 第33-36页 |
| 2.3 齿轮振动动力学方程 | 第36-37页 |
| 2.4 方程数值解法及其齿轮振动频谱特征 | 第37-46页 |
| 2.4.1 非线性方程数值解法 | 第37-39页 |
| 2.4.2 摩擦,间隙对传递误差的影响分析 | 第39-40页 |
| 2.4.3 考虑齿轮齿侧间隙的振动频谱特征 | 第40-46页 |
| 2.5 齿轮故障类型及其形成机理 | 第46-50页 |
| 2.5.1 齿轮故障机理 | 第47-50页 |
| 2.6 小结 | 第50-52页 |
| 3 齿轮典型故障实验分析方案 | 第52-62页 |
| 3.1 齿轮传动系统故障实验系统 | 第52-55页 |
| 3.1.1 传感器和测点位置的选择 | 第52-53页 |
| 3.1.2 振动数据采集系统 | 第53-55页 |
| 3.2 齿轮传动系统故障模拟 | 第55页 |
| 3.3 小波基函数的选择 | 第55-57页 |
| 3.4 实验系统分析软件 | 第57-58页 |
| 3.5 齿轮传动实验数据的小波包分析 | 第58-60页 |
| 3.6 本章小结 | 第60-62页 |
| 4 最优重分配小波尺度谱和奇异值分解(SVD)降噪方法 | 第62-102页 |
| 4.1 引言 | 第62页 |
| 4.2 小波变换 | 第62-78页 |
| 4.2.1 小波分析 | 第62-63页 |
| 4.2.2 连续小波变换 | 第63-65页 |
| 4.2.3 二进小波变换 | 第65-66页 |
| 4.2.4 离散小波变换 | 第66页 |
| 4.2.5 小波框架 | 第66-68页 |
| 4.2.6 多分辨分析 | 第68-73页 |
| 4.2.7 小波包分析 | 第73-78页 |
| 4.3 小波信号去噪 | 第78-88页 |
| 4.3.1 去噪问题的描述 | 第78-79页 |
| 4.3.2 小波变换模大去噪 | 第79-81页 |
| 4.3.3 基于小波变换尺度间相关性去噪 | 第81-85页 |
| 4.3.4 小波阈值去噪、消噪法 | 第85-88页 |
| 4.4 小波包滤波去噪 | 第88-89页 |
| 4.4.1 滤波 | 第88页 |
| 4.4.2 去噪 | 第88-89页 |
| 4.5 重分配小波尺度谱与奇异值分解（SVD）降噪 | 第89-95页 |
| 4.5.1 重分配小波尺度谱 | 第89-90页 |
| 4.5.2 小波基函数的选择及时间-带宽积优化 | 第90-93页 |
| 4.5.3 奇异值分解去噪的基本原理 | 第93-95页 |
| 4.6 基于最优重分配小波尺度谱的小波脊线特征提取方法 | 第95-100页 |
| 4.6.1 小波脊线的提取原理 | 第96-97页 |
| 4.6.2 基于最优重分配小波尺度谱的小波脊线提取 | 第97-100页 |
| 4.7 本章结论 | 第100-102页 |
| 5 经验模态分解（EMD）与形态奇异值分解相融合的齿轮早期故障微弱信号特征提取方法 | 第102-126页 |
| 5.1 引言 | 第102-103页 |
| 5.2 基于经验模态分解方法 | 第103-115页 |
| 5.2.1 瞬时频率 | 第103-104页 |
| 5.2.2 本征模态函数（IMF） | 第104-105页 |
| 5.2.3 特征尺度参数 | 第105-106页 |
| 5.2.4 经验模态分解（EMD）方法 | 第106-111页 |
| 5.2.5 EMD方法的特点 | 第111-115页 |
| 5.3 希尔伯特谱与希尔伯特边际谱分析 | 第115-117页 |
| 5.4 基于形态奇异值分解和HHT相融合的齿轮早期故障微弱信号特征提取方法 | 第117-124页 |
| 5.4.1 噪声对EMD的影响 | 第117-118页 |
| 5.4.2 形态奇异值分解滤波消噪方法的实现 | 第118-122页 |
| 5.4.3 基于形态奇异值分解滤波预处理的HHT分析 | 第122-124页 |
| 5.5 本章结论 | 第124-126页 |
| 6 基于EMD-小波与分形维数融合故障诊断方法 | 第126-136页 |
| 6.1 引言 | 第126-127页 |
| 6.2 基于EMD的信号瞬时特征的小波分析方法 | 第127-129页 |
| 6.3 仿真信号分析结果 | 第129-131页 |
| 6.4 基于EMD的IMF的分形维数 | 第131-132页 |
| 6.4.1 分形维数的基本原理 | 第131-132页 |
| 6.4.2 计算实信号序列基于EMD的分形维数的具体步骤 | 第132页 |
| 6.5 基于EMD分形维数相结合齿轮断齿、齿面磨损故障诊断实例 | 第132-135页 |
| 6.6 本章结论 | 第135-136页 |
| 7 基于D-S证据理论的多模型融合智能模式识别方法研究 | 第136-160页 |
| 7.1 引言 | 第136页 |
| 7.2 D-S证据理论 | 第136-141页 |
| 7.2.1 Dempster-Shafer证据理论 | 第137-138页 |
| 7.2.2 证据的合成法则及其性质 | 第138-140页 |
| 7.2.3 基于Dempster-Shafer推理的故障诊断过程 | 第140-141页 |
| 7.3 基于D-S证据和模糊集理论的多源信息融合故障诊断方法 | 第141-146页 |
| 7.3.1 引言 | 第141-142页 |
| 7.3.2 故障样板模式隶属度函数的确定 | 第142-143页 |
| 7.3.3 待检模式隶属度函数的确定 | 第143页 |
| 7.3.4 基本概率指派函数的确定 | 第143-146页 |
| 7.3.5 决策准则 | 第146页 |
| 7.4 基于D-S证据理论的GA和BP神经网络信息融合故障诊断方法研究 | 第146-154页 |
| 7.4.1 引言 | 第146-147页 |
| 7.4.2 遗传算法设计 | 第147-148页 |
| 7.4.3 BP神经网络算法 | 第148-151页 |
| 7.4.4 基于D-S证据理论的GA-BP神经网络多级融合模型 | 第151-154页 |
| 7.5 D-S证据理论信息融合的多模型智能模式识别方法应用实例 | 第154-158页 |
| 7.5.1 齿轮典型故障及其特征参数 | 第154-156页 |
| 7.5.2 基于证据理论的多模型融合智能模式识别方法 | 第156-158页 |
| 7.6 本章结论 | 第158-160页 |
| 8 总结论及未来展望 | 第160-162页 |
| 8.1 引言 | 第160页 |
| 8.2 研究的创新点 | 第160-161页 |
| 8.3 未来的展望 | 第161-162页 |
| 致谢 | 第162-164页 |
| 参考文献 | 第164-180页 |
| 攻读博士学位期间发表学术论文情况 | 第180页 |
