| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-21页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 故障诊断的信号分析方法研究现状 | 第12-14页 |
| 1.2.2 齿轮箱故障诊断研究现状 | 第14-16页 |
| 1.3 研究内容与技术路线 | 第16-19页 |
| 1.3.1 研究内容 | 第16-18页 |
| 1.3.2 技术路线 | 第18-19页 |
| 1.4 本文创新点 | 第19-21页 |
| 2 理论综述 | 第21-33页 |
| 2.1 齿轮箱故障理论 | 第21-22页 |
| 2.1.1 齿轮箱常见故障形式 | 第21页 |
| 2.1.2 齿轮箱振动机理 | 第21-22页 |
| 2.2 小波分析理论 | 第22-24页 |
| 2.2.1 小波变换 | 第22-23页 |
| 2.2.2 小波去噪 | 第23-24页 |
| 2.3 支持向量机理论 | 第24-28页 |
| 2.3.1 结构风险最小化 | 第24-25页 |
| 2.3.2 支持向量机 | 第25-28页 |
| 2.4 灰狼优化算法理论 | 第28-30页 |
| 2.5 差分进化算法理论 | 第30-32页 |
| 2.6 本章小结 | 第32-33页 |
| 3 多特征融合故障信号特征提取 | 第33-40页 |
| 3.1 小波包变换 | 第33-34页 |
| 3.1.1 小波包变换基本原理 | 第33-34页 |
| 3.1.2 小波包优势 | 第34页 |
| 3.2 小波包降噪 | 第34-37页 |
| 3.2.1 小波包分解与重构 | 第34-35页 |
| 3.2.2 小波包阈值降噪 | 第35-37页 |
| 3.3 多特征融合故障信号特征提取 | 第37-39页 |
| 3.3.1 小波包能量熵信号特征提取 | 第37-38页 |
| 3.3.2 小波包样本熵信号特征提取 | 第38-39页 |
| 3.3.3 统计量信号特征提取 | 第39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 基于IGWO-MSVM的故障诊断模型构建 | 第40-47页 |
| 4.1 建模基本思路 | 第40页 |
| 4.2 核函数的确定 | 第40-41页 |
| 4.3 MSVM分类 | 第41-43页 |
| 4.4 GWO算法的改进 | 第43-44页 |
| 4.5 基于IGWO-MSVM的矿用齿轮箱故障诊断模型构建 | 第44-45页 |
| 4.6 算例验证 | 第45-46页 |
| 4.7 本章小结 | 第46-47页 |
| 5 案例分析 | 第47-61页 |
| 5.1 案例背景 | 第47页 |
| 5.2 实验准备 | 第47-48页 |
| 5.2.1 实验环境 | 第47页 |
| 5.2.2 样本收集 | 第47-48页 |
| 5.3 实验运行及结果分析 | 第48-60页 |
| 5.3.1 矿用齿轮箱运行状态振动信号分析 | 第48-49页 |
| 5.3.2 矿用齿轮箱故障信号多特征提取 | 第49-54页 |
| 5.3.3 矿用齿轮箱故障诊断 | 第54-60页 |
| 5.4 本章小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 研究总结 | 第61-62页 |
| 6.2 研究展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 个人简历、在校期间发表的学术论文与研究成果 | 第67-68页 |
| 致谢 | 第68页 |