基于振动信号的齿轮箱智能故障诊断方法研究
| 学位论文数据集 | 第1-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-15页 |
| 第一章 绪论 | 第15-21页 |
| ·课题来源及意义 | 第15-16页 |
| ·齿轮箱故障诊断的研究现状和发展趋势 | 第16-17页 |
| ·论文主要内容及创新点 | 第17-19页 |
| ·论文的结构安排 | 第19-21页 |
| 第二章 齿轮箱振动机理及主要故障形式 | 第21-27页 |
| ·齿轮简化振动模型 | 第21-22页 |
| ·齿轮箱故障主要形式 | 第22-23页 |
| ·齿轮产生故障时的调制现象和边频带特点 | 第23-24页 |
| ·齿轮信号边频带特点 | 第23页 |
| ·齿轮啮合幅值、频率调制现象 | 第23-24页 |
| ·本章小结 | 第24-27页 |
| 第三章 齿轮箱振动信号预处理 | 第27-41页 |
| ·小波变换理论 | 第27-29页 |
| ·连续小波变换 | 第27-28页 |
| ·离散小波变换 | 第28页 |
| ·小波变换在故障诊断中的应用 | 第28-29页 |
| ·最佳小波基的选择 | 第29-33页 |
| ·主频率能量相关系数法 | 第29-31页 |
| ·主频率能量相关系数法的有效性验证 | 第31-33页 |
| ·齿轮信号预处理：小波降噪 | 第33-36页 |
| ·小波降噪技术的发展 | 第33-34页 |
| ·小波阈值降噪理论 | 第34-36页 |
| ·自适应小波阈值降噪 | 第36页 |
| ·实验验证和分析 | 第36-39页 |
| ·小波降噪性能评价 | 第36-37页 |
| ·实验结果分析 | 第37-39页 |
| ·本章小结 | 第39-41页 |
| 第四章 齿轮状态最优特征参数集的构建及评价 | 第41-57页 |
| ·齿轮状态特征参数集的构建 | 第41-45页 |
| ·时域统计参数 | 第41-42页 |
| ·频域特征参数 | 第42-43页 |
| ·功率谱熵特征参数 | 第43页 |
| ·包络谱特征参数 | 第43-45页 |
| ·小波能谱特征参数 | 第45页 |
| ·最优特征参数集合的评价 | 第45-48页 |
| ·特征参数选择方法概述 | 第45-46页 |
| ·改进的距离测度参数评价方法 | 第46-48页 |
| ·实验验证和分析 | 第48-55页 |
| ·本章小结 | 第55-57页 |
| 第五章 智能故障诊断方法 | 第57-87页 |
| ·基于遗传算法优化神经网络的模式识别 | 第57-68页 |
| ·BP神经网络 | 第57-60页 |
| ·遗传算法优化神经网络 | 第60-63页 |
| ·实验验证和分析 | 第63-68页 |
| ·基于蚁群算法的智能模式识别 | 第68-73页 |
| ·蚁群算法基本原理 | 第68-69页 |
| ·蚁群算法模式识别流程 | 第69-71页 |
| ·实验验证和分析 | 第71-73页 |
| ·HMM智能故障模式识别 | 第73-85页 |
| ·HMM原理及基本算法 | 第74-79页 |
| ·HMM在故障诊断中的应用 | 第79-80页 |
| ·标量量化及码级的确定 | 第80-82页 |
| ·实验验证及分析 | 第82-85页 |
| ·三种方法故障识别性能比较 | 第85-86页 |
| ·本章小结 | 第86-87页 |
| 第六章 齿轮箱智能诊断系统模块化实现 | 第87-93页 |
| ·系统的总体设计 | 第87-88页 |
| ·各个模块的调试结果 | 第88-92页 |
| ·本章小结 | 第92-93页 |
| 第七章 总结与展望 | 第93-95页 |
| ·研究成果总结 | 第93-94页 |
| ·后续工作展望 | 第94-95页 |
| 参考文献 | 第95-99页 |
| 致谢 | 第99-101页 |
| 研究成果及发表的学术论文 | 第101-103页 |
| 作者和导师简介 | 第103-104页 |
| 附表 | 第104-105页 |
