| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 齿轮传动故障诊断的发展现状与趋势 | 第12-17页 |
| 1.2.1 齿轮传动系统故障诊断的研究历程 | 第12-15页 |
| 1.2.2 齿轮传动系统故障诊断的发展趋势 | 第15-16页 |
| 1.2.3 流形学习在机械故障诊断中应用的国内外研究现状 | 第16-17页 |
| 1.3 本文研究的主要内容以及论文结构 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 齿轮传动故障及其振动机理研究 | 第19-27页 |
| 2.1 齿轮故障分类及其形成原因 | 第19-21页 |
| 2.2 齿轮振动的产生机理分析 | 第21-25页 |
| 2.2.1 齿轮的基本振动分析 | 第21-22页 |
| 2.2.2 齿轮振动信号的调制 | 第22-25页 |
| 2.3 齿轮振动的特点 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 流形学习方法的特征提取方法研究 | 第27-33页 |
| 3.1 流形学习线性特征提取算法 | 第27-29页 |
| 3.1.1 主成分分析法 | 第27-28页 |
| 3.1.2 多维尺度分析 | 第28-29页 |
| 3.2 流形学习非线性特征提取算法 | 第29-32页 |
| 3.2.1 等距特征映射 | 第29-30页 |
| 3.2.2 局部线性嵌入法 | 第30页 |
| 3.2.3 拉普拉斯特征映射算法 | 第30-31页 |
| 3.2.4 局部切空间排列算法 | 第31-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第4章 人工神经网络与模式识别 | 第33-41页 |
| 4.1 人工神经网络原理 | 第33-35页 |
| 4.1.1 神经元 | 第33-34页 |
| 4.1.2 神经网络的连接类型 | 第34-35页 |
| 4.2 人工神经网络的学习方式及特点 | 第35-36页 |
| 4.2.1 人工神经网络的学习方式 | 第35-36页 |
| 4.2.2 人工神经网络的特点 | 第36页 |
| 4.3 径向基神经网络基本原理与学习规则 | 第36-39页 |
| 4.3.1 径向基神经网络基本原理 | 第36-37页 |
| 4.3.2 径向基函数网络的学习规则 | 第37-39页 |
| 4.4 人工神经网络与齿轮故障模式识别 | 第39-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第5章 基于流形学习方法与RBF神经网络结合的齿轮故障诊断 | 第41-59页 |
| 5.1 齿轮传动故障信号采集 | 第41-44页 |
| 5.1.1 齿轮故障模拟实验平台介绍 | 第41-42页 |
| 5.1.2 齿轮时域振动信号的采集 | 第42-44页 |
| 5.2 RBF神经网络的建模步骤 | 第44-45页 |
| 5.3 小波包与RBF神经网络相结合的齿轮故障诊断 | 第45-49页 |
| 5.3.1 小波包分析原理 | 第45-47页 |
| 5.3.2 小波包与RBF神经网络相结合的齿轮故障诊断 | 第47-49页 |
| 5.4 基于流形学习方法与RBF神经网络相结合的齿轮故障诊断 | 第49-57页 |
| 5.4.1 基于EEMD与流形学习方法相结合的特征量提取 | 第49-54页 |
| 5.4.2 基于流形学习方法与RBF神经网络相结合的齿轮故障诊断 | 第54-57页 |
| 5.5 本章小结 | 第57-59页 |
| 总结与展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 作者简介 | 第66页 |
| 攻读硕士学位期间发表的论文 | 第66-67页 |
