| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第13-27页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 齿轮箱故障诊断技术研究现状 | 第14-19页 |
| 1.2.1 齿轮箱故障机理研究 | 第14-15页 |
| 1.2.2 齿轮箱故障诊断方法 | 第15-16页 |
| 1.2.3 齿轮箱振动信号的时频分析方法 | 第16-19页 |
| 1.3 盲源分离技术 | 第19-23页 |
| 1.3.1 独立分量分析 | 第19-21页 |
| 1.3.2 约束独立分量分析 | 第21页 |
| 1.3.3 盲解卷积 | 第21-23页 |
| 1.3.4 盲源分离在机械故障诊断应用中存在的问题 | 第23页 |
| 1.4 主要研究内容及安排 | 第23-27页 |
| 1.4.1 问题提出及研究路线 | 第23-25页 |
| 1.4.2 研究内容安排 | 第25-27页 |
| 2 约束独立分量分析 | 第27-43页 |
| 2.1 引言 | 第27页 |
| 2.2 数学基础 | 第27-30页 |
| 2.2.1 不相关和白化 | 第27-28页 |
| 2.2.2 统计独立性 | 第28-29页 |
| 2.2.3 熵与负熵 | 第29页 |
| 2.2.4 互信息 | 第29-30页 |
| 2.3 独立分量分析 | 第30-32页 |
| 2.3.1 独立分量分析数学模型 | 第30-31页 |
| 2.3.2 基于负熵的非高斯性度量 | 第31-32页 |
| 2.4 约束独立分量分析 | 第32-37页 |
| 2.4.1 约束独立分量分析原理 | 第32-35页 |
| 2.4.2 cICA算法评价指标 | 第35-36页 |
| 2.4.3 cICA的优点分析 | 第36页 |
| 2.4.4 参考信号构建 | 第36-37页 |
| 2.5 Hilbert包络解调 | 第37页 |
| 2.6 基于cICA的齿轮故障特征提取仿真分析 | 第37-42页 |
| 2.7 小结 | 第42-43页 |
| 3 基于WT特征增强的c ICA的齿轮箱故障特征提取 | 第43-65页 |
| 3.1 引言 | 第43页 |
| 3.2 小波变换 | 第43-45页 |
| 3.2.1 小波变换原理简介 | 第43-44页 |
| 3.2.2 小波变换的优点 | 第44-45页 |
| 3.3 基于WT特征增强的cICA方法原理 | 第45-46页 |
| 3.3.1 含源噪声的ICA模型 | 第45页 |
| 3.3.2 基于WT特征增强的cICA方法 | 第45-46页 |
| 3.4 基于WT特征增强的cICA方法仿真分析 | 第46-49页 |
| 3.5 基于WT特征增强的cICA方法的齿轮故障特征提取试验 | 第49-59页 |
| 3.5.1 齿轮箱试验台简介 | 第49-52页 |
| 3.5.2 断齿故障试验分析 | 第52-55页 |
| 3.5.3 局部断齿故障试验分析 | 第55-59页 |
| 3.5.4 试验结果分析 | 第59页 |
| 3.6 WT特征增强的cICA方法在皮带输送机齿轮箱故障诊断中的应用 | 第59-64页 |
| 3.6.1 主斜井皮带输送机齿轮箱参数及特征频率 | 第60页 |
| 3.6.2 皮带输送机齿轮箱故障诊断分析 | 第60-64页 |
| 3.7 小结 | 第64-65页 |
| 4 基于EEMD特征增强的c ICA的齿轮箱故障特征提取 | 第65-85页 |
| 4.1 引言 | 第65页 |
| 4.2 单通道测量信号的瞬时混合模型 | 第65-66页 |
| 4.3 基于EEMD特征增强的cICA方法 | 第66-69页 |
| 4.3.1 EMD方法 | 第66-67页 |
| 4.3.2 EEMD方法 | 第67-68页 |
| 4.3.3 IMFs选择 | 第68页 |
| 4.3.4 方法步骤 | 第68-69页 |
| 4.4 基于EEMD特征增强的c ICA的齿轮故障仿真分析 | 第69-73页 |
| 4.5 基于EEMD特征增强的c ICA方法的齿轮故障特征提取试验 | 第73-80页 |
| 4.5.1 断齿故障试验分析 | 第73-76页 |
| 4.5.2 局部断齿故障试验分析 | 第76-79页 |
| 4.5.3 试验结果分析 | 第79-80页 |
| 4.6 基于EEMD特征增强的c ICA方法在采煤机截割部齿轮传动故障诊断中的应用 | 第80-84页 |
| 4.6.1 截割部齿轮传动结构组成及特征频率 | 第80-81页 |
| 4.6.2 截割部齿轮传动故障诊断分析 | 第81-84页 |
| 4.7 小结 | 第84-85页 |
| 5 基于最大相关峭度解卷积的齿轮箱故障特征提取 | 第85-115页 |
| 5.1 引言 | 第85页 |
| 5.2 卷积混合与盲分离模型 | 第85-88页 |
| 5.2.1 卷积混合模型 | 第85-86页 |
| 5.2.2 卷积盲分离模型 | 第86-87页 |
| 5.2.3 盲解卷积算法假设条件及其特点 | 第87-88页 |
| 5.2.4 单通道测量信号的解卷积模型 | 第88页 |
| 5.3 最小熵解卷积算法 | 第88-90页 |
| 5.4 最大相关峭度解卷积算法 | 第90-94页 |
| 5.4.1 相关峭度 | 第90-91页 |
| 5.4.2 最大相关峭度解卷积 | 第91-94页 |
| 5.5 基于MCKD的齿轮故障特征提取试验 | 第94-109页 |
| 5.5.1 断齿故障信号的解卷积分析 | 第94-105页 |
| 5.5.2 局部断齿故障信号的解卷积分析 | 第105-109页 |
| 5.5.3 试验结果分析 | 第109页 |
| 5.6 基于MCKD方法的工程应用诊断分析 | 第109-113页 |
| 5.6.1 MCKD方法在皮带输送机齿轮箱故障诊断中的应用 | 第109-111页 |
| 5.6.2 MCKD方法在采煤机截割部齿轮传动故障诊断中的应用 | 第111-113页 |
| 5.7 小结 | 第113-115页 |
| 6 结论与展望 | 第115-119页 |
| 6.1 本文主要工作总结 | 第115-116页 |
| 6.2 本文的创新点 | 第116-117页 |
| 6.3 今后工作展望 | 第117-119页 |
| 参考文献 | 第119-131页 |
| 作者简历 | 第131-133页 |
| 学位论文数据集 | 第133页 |
