| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的研究目的、意义及方法 | 第11-13页 |
| 1.3.1 研究目的 | 第11页 |
| 1.3.2 本文研究的意义 | 第11-12页 |
| 1.3.3 本文主要的方法 | 第12-13页 |
| 2 齿轮箱常见故障及故障故障机理研究 | 第13-21页 |
| 2.1 机车齿轮箱结构 | 第13-14页 |
| 2.1.1 机车齿轮箱组成 | 第13页 |
| 2.1.2 机车齿轮箱内零部件及箱体材质 | 第13-14页 |
| 2.2 机车齿轮箱常见故障类型 | 第14-18页 |
| 2.2.1 齿轮故障 | 第15-17页 |
| 2.2.2 轴承故障 | 第17-18页 |
| 2.2.3 齿轮箱箱体故障 | 第18页 |
| 2.2.4 齿轮箱密封不良 | 第18页 |
| 2.3 齿轮箱的故障机理研究 | 第18-20页 |
| 2.3.1 油液对齿轮箱状态的影响分析 | 第18-19页 |
| 2.3.2 齿轮箱振动物理模型分析 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 基于油液分析的齿轮箱故障诊断 | 第21-32页 |
| 3.1 油液光谱分析技术与铁谱分析技术介绍 | 第22-23页 |
| 3.1.1 原子光谱分析技术 | 第22页 |
| 3.1.2 直读铁谱分析技术 | 第22-23页 |
| 3.2 基于L-M算法的BP神经网络在齿轮箱故障诊断中的应用 | 第23-31页 |
| 3.2.1 BP神经网络简介 | 第23-26页 |
| 3.2.2 L-M算法简介 | 第26-28页 |
| 3.2.3 基于油液的L-M改进算法的BP神经网络设计与结果分析 | 第28-31页 |
| 3.3 本章小结 | 第31-32页 |
| 4 基于振动信号分析的齿轮箱故障诊断 | 第32-46页 |
| 4.1 故障数据测取及传感器布置 | 第32-33页 |
| 4.2 振动信号预处理 | 第33-42页 |
| 4.2.1 基于小波包的振动信号降噪 | 第35-38页 |
| 4.2.2 提取特征参数 | 第38-42页 |
| 4.3 神经网络设计过程 | 第42-43页 |
| 4.3.1 输入层设计 | 第42页 |
| 4.3.2 输出层设计 | 第42-43页 |
| 4.3.3 隐含层设计 | 第43页 |
| 4.4 预报结果与分析 | 第43-44页 |
| 4.5 本章小结 | 第44-46页 |
| 5 基于D-S证据理论的决策级融合的机车齿轮箱故障诊断 | 第46-54页 |
| 5.1 D-S证据理论的基本概念 | 第46-47页 |
| 5.2 D-S证据理论的融合原理与融合决策准则 | 第47-48页 |
| 5.2.1 证据理论的组合规则 | 第47-48页 |
| 5.2.2 证据理论的融合决策准则 | 第48页 |
| 5.3 基于证据理论的决策级融合诊断 | 第48-53页 |
| 5.3.1 系统识别框架的建立与各网络概率分配值计算 | 第48-52页 |
| 5.3.2 基于DS证据理论的决策级融合 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-58页 |
