| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第7-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题的研究背景与意义 | 第10-11页 |
| 1.2 齿轮故障诊断国内外研究现状 | 第11-14页 |
| 1.2.1 基于支持向量机的故障诊断 | 第11-12页 |
| 1.2.2 群体智能优化算法 | 第12-14页 |
| 1.3 本文研究内容及章节安排 | 第14-16页 |
| 第二章 齿轮的故障机理 | 第16-22页 |
| 2.1 齿轮失效的主要形式及原因 | 第16-17页 |
| 2.2 齿轮故障振动机理 | 第17-18页 |
| 2.3 振动信号的时域指标 | 第18-20页 |
| 2.4 旋转机械故障模拟试验平台QPZZ-II | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 混沌人工蜂群算法 | 第22-31页 |
| 3.1 人工蜂群算法 | 第22-25页 |
| 3.1.1 蜜蜂群的行为描述 | 第22-23页 |
| 3.1.2 人工蜂群算法的基本原理 | 第23-24页 |
| 3.1.3 人工蜂群算法的计算步骤 | 第24-25页 |
| 3.1.4 人工蜂群算法存在的问题 | 第25页 |
| 3.2 混沌人工蜂群算法（CABC） | 第25-27页 |
| 3.2.1 混沌初始化 | 第25-26页 |
| 3.2.2 锦标赛选择策略 | 第26页 |
| 3.2.3 混沌人工蜂群（CABC）算法流程 | 第26-27页 |
| 3.3 仿真实验及结果分析 | 第27-30页 |
| 3.3.1 测试函数的选择 | 第27-29页 |
| 3.3.2 实验结果与分析 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 基于混沌人工蜂群算法优化的支持向量机分类器 | 第31-42页 |
| 4.1 支持向量机介绍 | 第31-34页 |
| 4.1.1 线性可分 | 第31-32页 |
| 4.1.2 线性不可分 | 第32-33页 |
| 4.1.3 非线性情况 | 第33-34页 |
| 4.2 支持向量机多故障分类器 | 第34-36页 |
| 4.2.1 一对多（one against all）多分类方法 | 第34-35页 |
| 4.2.2 一对一（one against one）多分类方法 | 第35-36页 |
| 4.3 基于混沌人工蜂群算法的支持向量机参数优化 | 第36-38页 |
| 4.3.1 支持向量机的参数选择 | 第36页 |
| 4.3.2 基于混沌人工蜂群算法的支持向量机参数优化 | 第36-38页 |
| 4.4 仿真实验及结果分析 | 第38-39页 |
| 4.4.1 分类测试集的确定 | 第38页 |
| 4.4.2 实验参数设置 | 第38页 |
| 4.4.3 实验结果与分析 | 第38-39页 |
| 4.5 基于时域特征的齿轮故障诊断 | 第39-41页 |
| 4.5.1 未滤波齿轮时域特征及分类实验 | 第39-40页 |
| 4.5.2 滤波后齿轮时域特征及分类实验 | 第40-41页 |
| 4.6 本章小结 | 第41-42页 |
| 第五章 基于广义S变换模糊熵的CABC-SVM齿轮故障诊断 | 第42-54页 |
| 5.1 S变换的基本理论 | 第42-47页 |
| 5.1.1 S变换的基本推导 | 第42-43页 |
| 5.1.2 广义S变换 | 第43-45页 |
| 5.1.3 S变换时频分析 | 第45-47页 |
| 5.2 基于GST模糊熵的特征提取 | 第47-50页 |
| 5.2.1 模糊熵的定义 | 第47-48页 |
| 5.2.2 GST模糊熵算法步骤 | 第48页 |
| 5.2.3 实验仿真与结果分析 | 第48-50页 |
| 5.3 基于GST模糊熵的齿轮故障诊断 | 第50-53页 |
| 5.3.1 齿轮信号的广义S变换 | 第50-51页 |
| 5.3.2 齿轮信号各频段的模糊熵值 | 第51-52页 |
| 5.3.3 齿轮故障诊断实验 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 发表文章目录 | 第60-61页 |
| 致谢 | 第61-62页 |
