| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 1 引言 | 第13-43页 |
| 1.1 课题背景及意义 | 第13-14页 |
| 1.2 行星齿轮箱故障诊断研究进展 | 第14-21页 |
| 1.2.1 基于动力学建模的行星齿轮箱固有特性及故障诊断研究 | 第14-17页 |
| 1.2.2 基于传统特征提取的行星齿轮箱故障诊断研究 | 第17-21页 |
| 1.3 故障模式识别技术概述 | 第21-27页 |
| 1.3.1 概述 | 第21-22页 |
| 1.3.2 基于传统特征提取与分类的故障模式识别 | 第22-26页 |
| 1.3.3 基于自适应特征提取及分类的故障模式识别 | 第26-27页 |
| 1.4 特征降维与参数估计概述 | 第27-30页 |
| 1.5 自适应特征提取方法概述 | 第30-35页 |
| 1.5.1 字典学习概述 | 第30-32页 |
| 1.5.2 深度学习概述 | 第32-35页 |
| 1.6 研究内容及路线 | 第35-42页 |
| 1.6.1 行星齿轮箱的结构与运动特性 | 第35-38页 |
| 1.6.2 行星齿轮箱失效形式分析 | 第38-41页 |
| 1.6.3 研究路线 | 第41-42页 |
| 1.7 本章小结 | 第42-43页 |
| 2 基于多域流形特征的行星齿轮箱故障诊断 | 第43-67页 |
| 2.1 前言 | 第43-44页 |
| 2.2 特征空间构建 | 第44-46页 |
| 2.3 流形学习原理及方法 | 第46-48页 |
| 2.3.1 ISOMAP | 第46-47页 |
| 2.3.2 LLE | 第47页 |
| 2.3.3 LTSA | 第47-48页 |
| 2.4 基于改进的虚假近邻点的参数估计 | 第48-49页 |
| 2.5 概率神经网络 | 第49-51页 |
| 2.6 基于多域流形特征的故障诊断实例分析 | 第51-65页 |
| 2.6.1 实例验证 | 第51-59页 |
| 2.6.2 实验信号分析 | 第59-65页 |
| 2.7 本章小结 | 第65-67页 |
| 3 基于时频分布能量稀疏特征的行星齿轮箱故障诊断 | 第67-84页 |
| 3.1 前言 | 第67-68页 |
| 3.2 时频分布能量特征提取 | 第68-70页 |
| 3.3 能量特征稀疏优化 | 第70-71页 |
| 3.4 基于时频分布能量稀疏特征的故障诊断实例分析 | 第71-82页 |
| 3.4.1 实例验证 | 第71-76页 |
| 3.4.2 实验信号分析 | 第76-82页 |
| 3.5 本章小结 | 第82-84页 |
| 4 基于字典学习与稀疏分类的行星齿轮箱故障诊断 | 第84-105页 |
| 4.1 前言 | 第84-85页 |
| 4.2 基于字典学习的稀疏表示 | 第85-86页 |
| 4.3 K奇异值分解与正交匹配追踪 | 第86-87页 |
| 4.4 稀疏分类 | 第87-90页 |
| 4.5 基于字典学习的稀疏分类应用实例分析 | 第90-103页 |
| 4.5.1 行星轮轴承实验信号分析 | 第90-101页 |
| 4.5.2 齿轮实验信号分析 | 第101-103页 |
| 4.6 本章小结 | 第103-105页 |
| 5 基于卷积神经网络的变转速工况下行星齿轮箱故障诊断 | 第105-118页 |
| 5.1 前言 | 第105-106页 |
| 5.2 卷积运算 | 第106-107页 |
| 5.3 多层感知器 | 第107-108页 |
| 5.4 卷积神经网络智能诊断模型 | 第108-111页 |
| 5.5 卷积神经网络模型训练方法 | 第111-113页 |
| 5.6 基于CNN的故障诊断实例分析 | 第113-116页 |
| 5.6.1 实验说明 | 第113-114页 |
| 5.6.2 实验信号分析 | 第114-116页 |
| 5.7 本章小结 | 第116-118页 |
| 6 结论 | 第118-121页 |
| 6.1 全文总结 | 第118-119页 |
| 6.2 主要创新点 | 第119-120页 |
| 6.3 研究展望 | 第120-121页 |
| 参考文献 | 第121-135页 |
| 作者简历及在学研究成果 | 第135-139页 |
| 学位论文数据集 | 第139页 |
