| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究的目的和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 齿轮箱故障诊断技术 | 第11页 |
| 1.2.2 不同类型数据的采集 | 第11-12页 |
| 1.2.3 不同方法对故障特征的提取 | 第12-14页 |
| 1.2.4 不同故障的识别分类方法 | 第14页 |
| 1.3 课题研究主要内容 | 第14-16页 |
| 第2章 重型卧车主轴箱装配故障类型及数据获取 | 第16-27页 |
| 2.1 重型卧式车床主轴箱主要装配故障类型 | 第16-20页 |
| 2.1.1 重型卧式车床主轴箱结构 | 第16-17页 |
| 2.1.2 重型卧式车床主轴箱主要装配故障及故障特征 | 第17-20页 |
| 2.2 故障诊断原始数据获取 | 第20-26页 |
| 2.2.1 传感器的选取 | 第20-22页 |
| 2.2.2 采集系统 | 第22-25页 |
| 2.2.3 数据采集与获取 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 信号的小波分析处理与特征提取 | 第27-47页 |
| 3.1 小波分析方法 | 第27-31页 |
| 3.1.1 连续小波变换 | 第27-28页 |
| 3.1.2 离散小波变换 | 第28-29页 |
| 3.1.3 小波包变换 | 第29-30页 |
| 3.1.4 小波特性和常用小波基函数 | 第30-31页 |
| 3.2 小波变换方法评价标准 | 第31-37页 |
| 3.2.1 能含量与 Shannon 熵 | 第31-32页 |
| 3.2.2 基于 Shannon 熵、能含量、E-S 比的小波分解方式比较 | 第32-34页 |
| 3.2.3 基于 Shannon 熵、能量、E-S 比的小波基比较选择 | 第34-37页 |
| 3.3 信号的小波包分解与特征展现 | 第37-43页 |
| 3.3.1 分解层数的确定 | 第37-38页 |
| 3.3.2 分解与重构模拟 | 第38-40页 |
| 3.3.3 对小波基选择标准的验证 | 第40-41页 |
| 3.3.4 提取方法用于实际信号的验证 | 第41-43页 |
| 3.4 诊断故障的特征提取 | 第43-46页 |
| 3.4.1 确定所需的目标特征 | 第43-44页 |
| 3.4.2 特征提取方法 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 故障诊断智能算法实现 | 第47-64页 |
| 4.1 基于支持向量机（SVM）的故障诊断算法实现 | 第47-55页 |
| 4.1.1 统计学习与风险最小化 | 第47-49页 |
| 4.1.2 支持向量机分类 | 第49-51页 |
| 4.1.3 SVM 用于对故障进行分类 | 第51-55页 |
| 4.2 应用 k-最近邻分类法(k-NN)进行故障识别 | 第55-56页 |
| 4.3 应用遗传算法优化 BP 神经网络进行故障诊断 | 第56-61页 |
| 4.3.1 遗传算法用于 BP 神经网络优化 | 第56-58页 |
| 4.3.2 BP 神经网络对故障的分类 | 第58-61页 |
| 4.4 智能分类方法对比 | 第61-63页 |
| 4.4.1 分类准确率对比 | 第61-62页 |
| 4.4.2 计算复杂程度对比 | 第62-63页 |
| 4.4.3 对比选择结果 | 第63页 |
| 4.5 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间发表的学术论文 | 第70-72页 |
| 致谢 | 第72页 |
