| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-20页 |
| ·课题的提出和目的 | 第10页 |
| ·齿轮箱故障诊断技术综述 | 第10-13页 |
| ·齿轮箱故障诊断技术综述及国内外发展现状 | 第10-11页 |
| ·齿轮箱故障诊断技术研究动态 | 第11-12页 |
| ·齿轮箱故障诊断技术发展趋势 | 第12-13页 |
| ·齿轮箱故障诊断的流程 | 第13页 |
| ·小波理论的发展及基于小波分析的齿轮箱故障诊断现状 | 第13-15页 |
| ·小波分析及小波包分析理论的发展 | 第13-14页 |
| ·小波包故障提取技术研究现状 | 第14-15页 |
| ·支持向量机理论的发展及研究方向 | 第15-16页 |
| ·支持向量机的国内外发展概括 | 第15页 |
| ·支持向量机的研究发展动态 | 第15-16页 |
| ·本文的主要研究内容及结构安排 | 第16-20页 |
| ·主要研究内容 | 第16-17页 |
| ·论文结构安排 | 第17-20页 |
| 第二章 齿轮箱的故障类型及振动机理 | 第20-32页 |
| ·齿轮箱故障的主要形式 | 第20-21页 |
| ·齿轮的故障类型和振动机理 | 第21-26页 |
| ·齿轮的故障类型 | 第21页 |
| ·齿轮的振动机理 | 第21-26页 |
| ·滚动轴承的故障类型及振动机理 | 第26-30页 |
| ·滚动轴承的振动机理 | 第26-27页 |
| ·滚动轴承的主要故障模式 | 第27-29页 |
| ·滚动轴承的故障特征信息 | 第29-30页 |
| ·本章小结 | 第30-32页 |
| 第三章 齿轮箱模拟故障试验 | 第32-38页 |
| ·数据采集系统的构成 | 第32-33页 |
| ·齿轮箱模拟故障试验台装置 | 第32页 |
| ·振动信号采集装置 | 第32-33页 |
| ·测点布置 | 第33-34页 |
| ·齿轮箱故障模拟 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 小波包分析理论及对特征向量的提取 | 第38-56页 |
| ·小波分析 | 第38-44页 |
| ·连续小波变换(CWT) | 第38-39页 |
| ·离散小波变换(DWT) | 第39-40页 |
| ·多分辨率分析 | 第40-42页 |
| ·正交小波变换 | 第42-44页 |
| ·小波包分析 | 第44-48页 |
| ·小波包的定义 | 第44-45页 |
| ·小波包的子空间分解 | 第45-46页 |
| ·小波包的重构 | 第46-47页 |
| ·使用小波包对振动信号画出最优小波包树 | 第47-48页 |
| ·小波包降噪 | 第48-51页 |
| ·小波降噪方法 | 第48-49页 |
| ·应用小波方法进行信号去噪的仿真分析 | 第49-50页 |
| ·故障齿轮箱的小波包去噪分析 | 第50-51页 |
| ·齿轮箱信号能量特征向量的提取 | 第51-54页 |
| ·基于小波包的齿轮箱信号提取能量特征向量方法 | 第51-52页 |
| ·小波包对齿轮箱故障能量特征向量的提取 | 第52-54页 |
| ·小结 | 第54-56页 |
| 第五章 支持向量机识别方法研究 | 第56-68页 |
| ·支持向量机理论基础 | 第56-59页 |
| ·概述 | 第56-57页 |
| ·统计学习理论 | 第57-59页 |
| ·支持向量机的基本原理 | 第59-63页 |
| ·线性分类问题 | 第59-61页 |
| ·近似线性分类问题 | 第61-62页 |
| ·非线性分类问题 | 第62-63页 |
| ·核函数 | 第63页 |
| ·本课题惩罚函数C及核函数的选择 | 第63-67页 |
| ·惩罚函数C的选取 | 第63-64页 |
| ·核函数的选取 | 第64-67页 |
| ·本章小结 | 第67-68页 |
| 第六章 支持向量机多类故障分类器构建及应用 | 第68-80页 |
| ·多分类支持向量机分类方法 | 第68-72页 |
| ·“一对多”算法(One-against-the rest) | 第68-69页 |
| ·“一对一”算法(One-agaisnt-one) | 第69-70页 |
| ·有向无环图支持向量机(Directed Acyclic G-raph) | 第70-71页 |
| ·SVM决策树支持向量机(Multi-class SVM) | 第71-72页 |
| ·基于SVM决策树的多类算法的建立 | 第72-77页 |
| ·SVM决策树支持向量机的分析 | 第73页 |
| ·投票理论简介 | 第73-74页 |
| ·基于SVM决策树的多分类算法 | 第74-77页 |
| ·基于SVM决策树的多分类算法对齿轮箱能量特征向量的识别 | 第77-78页 |
| ·小结 | 第78-80页 |
| 第七章 结论 | 第80-82页 |
| ·结论 | 第80-81页 |
| ·展望 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86-88页 |
| 攻读硕士学位期间发表的论文 | 第88页 |
