| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 注释表 | 第12-13页 |
| 缩略词 | 第13-14页 |
| 第一章 绪论 | 第14-23页 |
| 1.1 课题研究背景与意义 | 第14-17页 |
| 1.2 国内外技术研究现状分析 | 第17-21页 |
| 1.3 本文主要研究工作与内容组织安排 | 第21-23页 |
| 第二章 变速行星齿轮箱阶次跟踪和信号分解故障诊断研究 | 第23-50页 |
| 2.1 引言 | 第23-24页 |
| 2.2 基于NLSTFT瞬时频率估计的无键相阶次跟踪方法 | 第24-27页 |
| 2.2.1 NLSTFT基本原理 | 第24-26页 |
| 2.2.2 NLSTFT无键相阶次跟踪方法 | 第26-27页 |
| 2.3 变分模态信号分解方法 | 第27-33页 |
| 2.3.1 变分模态分解基本原理 | 第27-30页 |
| 2.3.2 带前置降噪的自适应变分模态分解方法 | 第30-33页 |
| 2.4 变速工况下行星齿轮箱故障诊断算法实现 | 第33-34页 |
| 2.5 实验结果分析 | 第34-49页 |
| 2.5.1 仿真信号结果分析 | 第34-41页 |
| 2.5.2 实验结果分析 | 第41-49页 |
| 2.6 本章小结 | 第49-50页 |
| 第三章 复杂工况行星齿轮箱特征优选与集成学习故障诊断研究 | 第50-79页 |
| 3.1 引言 | 第50-52页 |
| 3.2 行星齿轮箱多样性多准则故障特征选择 | 第52-59页 |
| 3.2.1 多准则故障特征选择数学模型 | 第52-54页 |
| 3.2.2 多样性故障特征选择算法 | 第54-59页 |
| 3.3 基于异构模型集成学习的行星齿轮箱故障诊断方法 | 第59-64页 |
| 3.3.1 SBELM和SVM分类器基本原理 | 第59-63页 |
| 3.3.2 异构模型集成学习故障诊断方法 | 第63-64页 |
| 3.4 实验结果分析 | 第64-78页 |
| 3.4.1 机器学习数据库中样本测试结果分析 | 第64-70页 |
| 3.4.2 实验结果分析 | 第70-78页 |
| 3.5 本章小结 | 第78-79页 |
| 第四章 总结与展望 | 第79-81页 |
| 4.1 研究工作总结 | 第79页 |
| 4.2 后续研究展望 | 第79-81页 |
| 参考文献 | 第81-86页 |
| 致谢 | 第86-87页 |
| 在学期间的研究成果及发表的学术论文 | 第87页 |
