| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-21页 |
| 1.1 选题的背景和意义 | 第14-15页 |
| 1.2 时频分析方法 | 第15-17页 |
| 1.3 齿轮箱变工况故障诊断研究现状 | 第17-19页 |
| 1.4 论文主要研究内容及章节安排 | 第19-21页 |
| 第2章 齿轮箱故障特征及故障诊断方法 | 第21-30页 |
| 2.1 引言 | 第21页 |
| 2.2 齿轮箱典型故障类型及原因 | 第21-23页 |
| 2.2.1 齿轮主要失效形式及原因 | 第21-22页 |
| 2.2.2 滚动轴承主要失效形式及原因 | 第22-23页 |
| 2.3 齿轮振动信号特征 | 第23-24页 |
| 2.3.1 齿轮振动机理及振动信号仿真模型 | 第23-24页 |
| 2.3.2 齿轮故障特征 | 第24页 |
| 2.4 滚动轴承振动信号特征 | 第24-26页 |
| 2.4.1 滚动轴承振动机理及振动信号仿真模型 | 第24-25页 |
| 2.4.2 滚动轴承故障特征 | 第25-26页 |
| 2.5 齿轮箱故障诊断方法 | 第26-29页 |
| 2.5.1 时域分析 | 第26页 |
| 2.5.2 频域分析 | 第26-28页 |
| 2.5.3 时频分析 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于改进EEMD方法的齿轮箱故障诊断 | 第30-53页 |
| 3.1 引言 | 第30页 |
| 3.2 EMD和EEMD基本概念和原理 | 第30-32页 |
| 3.2.1 EMD方法 | 第30-31页 |
| 3.2.2 EEMD方法 | 第31-32页 |
| 3.3 基于优化白噪声幅值和最大频率的改进EEMD方法 | 第32-35页 |
| 3.3.1 白噪声幅值和最大频率对信号包络的影响 | 第33-34页 |
| 3.3.2 基于优化白噪声幅值和最大频率的改进EEMD方法 | 第34-35页 |
| 3.4 仿真信号分析 | 第35-42页 |
| 3.4.1 调幅调频仿真信号分析 | 第36-38页 |
| 3.4.2 间歇仿真信号分析 | 第38-40页 |
| 3.4.3 加噪仿真信号分析 | 第40-42页 |
| 3.5 实例分析 | 第42-52页 |
| 3.5.1 改进的EEMD方法在滚动轴承故障诊断中的应用 | 第42-48页 |
| 3.5.2 改进的EEMD方法在齿轮故障诊断中的应用 | 第48-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第4章 基于NAP的变工况滚动轴承故障诊断 | 第53-65页 |
| 4.1 引言 | 第53页 |
| 4.2 基于NAP的变工况故障诊断方法 | 第53-56页 |
| 4.2.1 冗余属性投影方法 | 第53-55页 |
| 4.2.2 基于NAP的变工况故障诊断流程 | 第55页 |
| 4.2.3 归一化特征参数提取 | 第55-56页 |
| 4.3 仿真信号分析 | 第56-58页 |
| 4.4 实例分析 | 第58-64页 |
| 4.4.1 不同故障类型的变工况滚动轴承故障诊断 | 第58-62页 |
| 4.4.2 不同故障类型和故障程度的变工况滚动轴承故障诊断 | 第62-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第5章 迁移学习和神经网络在变工况齿轮箱定量故障诊断的应用 | 第65-76页 |
| 5.1 引言 | 第65页 |
| 5.2 基于工况特征的变工况齿轮箱定量故障诊断 | 第65-69页 |
| 5.2.1 归一化特征参数提取 | 第66-67页 |
| 5.2.2 实例分析 | 第67-68页 |
| 5.2.3 传统机器学习方法的局限性 | 第68-69页 |
| 5.3 迁移学习在齿轮箱定量故障诊断中的应用 | 第69-71页 |
| 5.3.1 迁移学习基本原理 | 第69-70页 |
| 5.3.2 实例分析 | 第70-71页 |
| 5.4 改进的迁移学习在齿轮箱定量故障诊断中的应用 | 第71-75页 |
| 5.4.1 迁移学习存在的问题及改进 | 第71-73页 |
| 5.4.2 实例分析 | 第73-75页 |
| 5.5 本章小结 | 第75-76页 |
| 结论与展望 | 第76-78页 |
| 结论 | 第76页 |
| 展望 | 第76-78页 |
| 参考文献 | 第78-83页 |
| 致谢 | 第83-84页 |
| 附录A 攻读学位期间发表和录用的论文目录 | 第84-85页 |
| 附录B 攻读学位期间参与的科研项目 | 第85页 |
