| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-17页 |
| ·课题来源 | 第8页 |
| ·齿轮泵故障诊断研究意义 | 第8-9页 |
| ·齿轮泵故障诊断技术研究现状 | 第9-14页 |
| ·齿轮泵故障诊断技术的发展 | 第9-11页 |
| ·齿轮泵故障特征提取方法 | 第11-14页 |
| ·齿轮泵故障识别方法 | 第14-15页 |
| ·神经网络 | 第14页 |
| ·支持向量机 | 第14-15页 |
| ·论文的主要研究内容 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 第二章 齿轮泵的振动故障机理和特征分析 | 第17-23页 |
| ·齿轮泵简介 | 第17-18页 |
| ·齿轮泵零部件的常见故障 | 第18-21页 |
| ·齿轮泵轮齿常见失效形式 | 第18-20页 |
| ·齿轮泵轴承的常见失效形式 | 第20-21页 |
| ·齿轮轮齿和轴承的振动机理 | 第21-22页 |
| ·齿轮泵轮齿的振动机理 | 第21页 |
| ·齿轮泵轴承的振动机理 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 基于DT-LMD齿轮泵故障诊断特征信号的提取 | 第23-36页 |
| ·双树复小波变换 | 第23-25页 |
| ·双树复小波变换降噪原理 | 第23-24页 |
| ·双树复小波降噪实例 | 第24-25页 |
| ·局部均值分解 | 第25-31页 |
| ·LMD分解过程 | 第25-28页 |
| ·LMD分解方法的缺点及改进 | 第28-29页 |
| ·LMD算法的改进及仿真 | 第29-31页 |
| ·DT-LMD分解方法 | 第31-35页 |
| ·DT-LMD分解过程 | 第31-32页 |
| ·DT-LMD实验分析 | 第32-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于SVM的齿轮泵故障诊断 | 第36-55页 |
| ·统计学习理论 | 第36-38页 |
| ·VC维 | 第36-37页 |
| ·结构风险最小化 | 第37-38页 |
| ·支持向量机基本原理 | 第38-44页 |
| ·最优分类超平面 | 第38-40页 |
| ·SVM多类分类问题 | 第40-41页 |
| ·核函数 | 第41-43页 |
| ·交叉验证 | 第43-44页 |
| ·齿轮泵故障诊断实验方法研究 | 第44-53页 |
| ·基于DT-LMD和SVM的齿轮泵轴承诊断方法 | 第44-52页 |
| ·SVM预测结果分析 | 第52-53页 |
| ·本章小结 | 第53-55页 |
| 第五章 基于LabVIEW的齿轮泵故障诊断系统 | 第55-61页 |
| ·LabVIEW软件简介 | 第55页 |
| ·故障诊断系统开发 | 第55-59页 |
| ·系统显示 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的论文和科研情况 | 第66-67页 |
| 致谢 | 第67页 |