| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-24页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题背景、目的和意义 | 第10-11页 |
| 1.3 相关领域国内外研究现状分析 | 第11-21页 |
| 1.3.1 特征提取及特征降维技术研究现状 | 第12-17页 |
| 1.3.2 故障识别方法研究现状 | 第17-21页 |
| 1.4 本文主要研究内容及组织结构 | 第21-24页 |
| 1.4.1 本文主要研究内容 | 第21-22页 |
| 1.4.2 本文组织结构 | 第22-24页 |
| 第2章 齿轮振动特性分析及多域特征提取 | 第24-38页 |
| 2.1 齿轮振动特性及常见故障 | 第24-27页 |
| 2.1.1 齿轮振动特性分析 | 第24-26页 |
| 2.1.2 齿轮常见故障 | 第26-27页 |
| 2.2 故障特征提取 | 第27-31页 |
| 2.2.1 时域统计量 | 第27-29页 |
| 2.2.2 频域统计量 | 第29-30页 |
| 2.2.3 时频域统计量 | 第30-31页 |
| 2.3 齿轮振动信号多域特征提取 | 第31-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第3章 基于GSLS和 KPCA的级联特征降维方法 | 第38-50页 |
| 3.1 全局监督拉普拉斯分值和核主成分分析 | 第38-41页 |
| 3.1.1 全局监督拉普拉斯分值 | 第38-40页 |
| 3.1.2 核主成分分析 | 第40-41页 |
| 3.2 GSLS-KPCA 级联特征降维方法 | 第41-43页 |
| 3.3 实例分析 | 第43-48页 |
| 3.4 本章小结 | 第48-50页 |
| 第4章 基于PSO-KELM-BT的多故障识别方法 | 第50-63页 |
| 4.1 核极限学习机 | 第50-53页 |
| 4.1.1 极限学习机 | 第50-52页 |
| 4.1.2 核极限学习机 | 第52-53页 |
| 4.2 粒子群算法 | 第53-55页 |
| 4.3 基于 PSO 优化的二叉树 KELM 多分类算法 | 第55-58页 |
| 4.4 实例分析 | 第58-61页 |
| 4.5 本章小结 | 第61-63页 |
| 第5章 齿轮故障诊断系统的设计与实现 | 第63-70页 |
| 5.1 系统总体设计 | 第63-64页 |
| 5.2 系统实现 | 第64-69页 |
| 5.3 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 全文工作总结 | 第70-71页 |
| 6.2 未来工作展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间的研究成果 | 第78页 |
