| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-15页 |
| ·课题研究背景及意义 | 第10页 |
| ·齿轮箱故障诊断技术及国内外研究现状 | 第10-12页 |
| ·齿轮箱故障诊断常用技术 | 第10-11页 |
| ·齿轮箱故障诊断技术国内外研究现状 | 第11-12页 |
| ·LabWindows/CVI与Matlab简介及其混合编程 | 第12-14页 |
| ·LabWindows/CVI简介 | 第12-13页 |
| ·Matlab简介 | 第13-14页 |
| ·LabWindows/CVI与Matlab的混合编程 | 第14页 |
| ·本课题主要研究内容 | 第14-15页 |
| 第2章 齿轮箱典型故障类型与信号特征提取 | 第15-25页 |
| ·齿轮箱的典型结构及常见故障 | 第15页 |
| ·齿轮典型故障及信号特征 | 第15-18页 |
| ·齿轮典型故障类型 | 第15-17页 |
| ·齿轮振动原理及信号特征 | 第17-18页 |
| ·轴承典型故障及信号特征 | 第18-21页 |
| ·轴承典型故障类型 | 第18-19页 |
| ·轴承振动原理及信号特征 | 第19-21页 |
| ·齿轮箱故障特征提取 | 第21-24页 |
| ·信号的预处理 | 第21页 |
| ·时域信号特征 | 第21-22页 |
| ·频域信号指标 | 第22-23页 |
| ·故障特征的提取 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 神经网络原理及其在齿轮箱故障诊断中的应用研究 | 第25-39页 |
| ·人工神经网络 | 第25-26页 |
| ·人工神经元基本模型 | 第25页 |
| ·人工神经网络的学习算法及其优点 | 第25-26页 |
| ·BP神经网络在齿轮箱故障诊断中的应用研究 | 第26-34页 |
| ·BP神经网络原理 | 第26-28页 |
| ·BP神经网络设计 | 第28-29页 |
| ·BP神经网络的训练和预测 | 第29-34页 |
| ·RBF神经网络在齿轮箱故障诊断中的应用 | 第34-38页 |
| ·RBF神经网络原理 | 第34-35页 |
| ·RBF神经网络设计 | 第35-36页 |
| ·RBF神经网络的训练和预测 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第4章 支持向量机理论在齿轮箱故障诊断系统中的应用研究 | 第39-51页 |
| ·统计学习方法研究 | 第39-40页 |
| ·支持向量机原理 | 第40-42页 |
| ·最优超平面 | 第40-42页 |
| ·核函数 | 第42页 |
| ·支持向量机在齿轮箱故障诊断系统的中应用研究 | 第42-50页 |
| ·SVM在齿轮箱故障诊断系统中的应用 | 第42-43页 |
| ·交叉验证优化SVM在齿轮箱故障诊断系统中的应用研究 | 第43-46页 |
| ·遗传算法优化SVM在齿轮箱故障诊断系统中的应用研究 | 第46-48页 |
| ·粒子群优化SVM在齿轮箱故障诊断系统中的应用研究 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第5章 齿轮箱故障诊断系统设计与实现 | 第51-75页 |
| ·故障诊断系统平台总体功能目标及设计方案 | 第51-52页 |
| ·故障诊断系统的总体功能目标 | 第51页 |
| ·故障诊断系统的总体方案设计 | 第51-52页 |
| ·系统登录模块 | 第52-54页 |
| ·打开数据文件模块 | 第54-58页 |
| ·特征数据文件 | 第54页 |
| ·仿真数据文件 | 第54-55页 |
| ·采集故障信号数据 | 第55-58页 |
| ·数据处理模块 | 第58-62页 |
| ·数字滤波 | 第58-60页 |
| ·时域分析 | 第60页 |
| ·频谱分析 | 第60页 |
| ·频率细化分析 | 第60-61页 |
| ·小波与小波包分析 | 第61-62页 |
| ·故障诊断模块 | 第62-74页 |
| ·神经网络模块 | 第63-66页 |
| ·SVM支持向量机模块 | 第66-74页 |
| ·本章小结 | 第74-75页 |
| 第6章 总结与展望 | 第75-77页 |
| ·研究总结 | 第75页 |
| ·研究展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81页 |
