| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-16页 |
| 1.1 课题来源及意义 | 第8-9页 |
| 1.2 机械故障诊断技术 | 第9-11页 |
| 1.3 数学形态学与格计算理论简介 | 第11-12页 |
| 1.4 齿轮箱故障诊断的国内外现状 | 第12-13页 |
| 1.5 本文的主要研究内容 | 第13-16页 |
| 2 齿轮箱故障及振动特征 | 第16-25页 |
| 2.1 齿轮箱振动信号的调制现象与振动产生机理 | 第16-19页 |
| 2.2 齿轮振动模型与常见故障 | 第19-20页 |
| 2.3 轴承振动模型与常见故障 | 第20-22页 |
| 2.4 齿轮箱故障特征参数 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 齿轮箱振动信号的形态滤波分析 | 第25-36页 |
| 3.1 引言 | 第25页 |
| 3.2 齿轮箱振动仿真信号 | 第25-26页 |
| 3.3 形态学结构元素与基本算子 | 第26-29页 |
| 3.4 形态差值滤波器 | 第29-30页 |
| 3.5 加权多尺度形态差值滤波器(WMMD) | 第30-33页 |
| 3.6 结构元素最优尺度的确定 | 第33-35页 |
| 3.7 本章小结 | 第35-36页 |
| 4 基于形态学神经网络的齿轮故障分类 | 第36-60页 |
| 4.1 引言 | 第36页 |
| 4.2 传统BP神经网络及其不足 | 第36-40页 |
| 4.3 模糊格与形态学算子 | 第40-43页 |
| 4.4 形态学神经网络模型 | 第43-48页 |
| 4.5 形态学神经网络算法的不足及改进 | 第48-54页 |
| 4.6 形态学神经网络算法的MATLAB实现 | 第54-55页 |
| 4.7 BP网络与形态学神经网络对齿轮故障的分类实例一 | 第55-57页 |
| 4.8 BP网络与形态学神经网络对齿轮故障的分类实例二 | 第57-59页 |
| 4.9 本章小结 | 第59-60页 |
| 5 结论与展望 | 第60-62页 |
| 5.1 全文总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录1 实例一训练样本 | 第67-68页 |
| 附录2 实例一检验样本 | 第68-69页 |
| 附录3 实例二训练样本和检验样本 | 第69页 |