基于支持向量机的齿轮箱故障诊断方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 特征提取方法 | 第11-15页 |
| 1.2.2 故障诊断模型 | 第15-17页 |
| 1.3 研究思路 | 第17-18页 |
| 1.4 主要内容和章节安排 | 第18-20页 |
| 第二章 齿轮箱故障机理及典型振动信号 | 第20-31页 |
| 2.1 齿轮箱故障形式 | 第20-23页 |
| 2.1.1 失效原因 | 第20-21页 |
| 2.1.2 故障形式 | 第21-23页 |
| 2.2 齿轮振动原理 | 第23-25页 |
| 2.3 齿轮箱故障实验 | 第25-30页 |
| 2.3.1 QPZZ-II型实验平台 | 第25-26页 |
| 2.3.2 典型故障实验 | 第26-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于小波能谱熵的齿轮箱故障特征提取 | 第31-38页 |
| 3.1 小波包变换 | 第31-32页 |
| 3.2 信息熵理论 | 第32页 |
| 3.3 齿轮箱特征提取方法 | 第32-36页 |
| 3.3.1 小波能谱熵定义 | 第33页 |
| 3.3.2 特征提取方法 | 第33-34页 |
| 3.3.3 实例分析 | 第34-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 基于多分类支持向量机的齿轮箱故障诊断 | 第38-47页 |
| 4.1 支持向量机概述 | 第38-44页 |
| 4.1.1 统计学习理论 | 第38-40页 |
| 4.1.2 非线性支持向量机 | 第40-41页 |
| 4.1.3 支持向量机核函数选择 | 第41-42页 |
| 4.1.4 多分类SVM | 第42-44页 |
| 4.2 搜索者优化算法概述 | 第44-45页 |
| 4.3 基于搜索者算法的多分类SVM参数优化 | 第45-46页 |
| 4.4 齿轮箱故障诊断多分类器设计 | 第46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 实例分析 | 第47-57页 |
| 5.1 齿轮箱故障诊断流程 | 第47-48页 |
| 5.1.1 诊断模型建立 | 第47页 |
| 5.1.2 故障诊断流程 | 第47-48页 |
| 5.2 数据选取与划分 | 第48-49页 |
| 5.3 特征提取 | 第49-52页 |
| 5.4 多分类SVM模型参数优化 | 第52-53页 |
| 5.5 基于多分类SVM的齿轮箱故障诊断 | 第53-56页 |
| 5.6 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 全文总结 | 第57-58页 |
| 6.2 研究展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
