| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 研究现状及发展趋势 | 第12-16页 |
| 1.2.1 齿轮故障诊断的研究现状 | 第12-15页 |
| 1.2.2 变载荷激励下齿轮故障诊断的研究现状 | 第15页 |
| 1.2.3 齿轮故障诊断的发展趋势 | 第15-16页 |
| 1.3 本文的主要研究内容和结构安排 | 第16-18页 |
| 1.3.1 本文的主要研究内容 | 第16-17页 |
| 1.3.2 本文的结构安排 | 第17-18页 |
| 第2章 齿轮故障类型及机理分析 | 第18-29页 |
| 2.1 引言 | 第18页 |
| 2.2 齿轮的典型故障类型 | 第18-20页 |
| 2.3 齿轮的故障机理 | 第20-25页 |
| 2.3.1 齿轮故障的动力学模型 | 第20-23页 |
| 2.3.2 齿轮的啮合刚度计算 | 第23-25页 |
| 2.4 齿轮故障数值仿真 | 第25-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 变载荷激励下齿轮故障特征提取方法研究 | 第29-48页 |
| 3.1 引言 | 第29页 |
| 3.2 经验模态分解算法 | 第29-32页 |
| 3.3 特征参数的选取 | 第32-37页 |
| 3.3.1 分形盒维数 | 第32-34页 |
| 3.3.2 时域特征参量指标 | 第34-35页 |
| 3.3.3 频域特征参量指标 | 第35-37页 |
| 3.3.4 能量域特征参量指标 | 第37页 |
| 3.4 基于EMD和分形盒维数的变载荷激励下齿轮故障特征提取方法 | 第37-47页 |
| 3.4.1 EMD和分形盒维数的特征提取算法 | 第37-38页 |
| 3.4.2 实例分析 | 第38-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于EMD和PSO-SVM的变载荷激励下齿轮故障诊断方法研究 | 第48-57页 |
| 4.1 引言 | 第48页 |
| 4.2 支持向量机 | 第48-50页 |
| 4.2.1 支持向量机算法的基本原理 | 第48-49页 |
| 4.2.2 SVM的核函数 | 第49-50页 |
| 4.3 粒子群优化的支持向量机 | 第50-51页 |
| 4.3.1 粒子群优化算法 | 第50-51页 |
| 4.3.2 粒子群优化支持向量机算法 | 第51页 |
| 4.4 基于EMD和PSO-SVM的变载荷激励下齿轮故障诊断方法 | 第51-56页 |
| 4.4.1 EMD和PSO-SVM的变载荷激励下齿轮故障识别算法 | 第51-53页 |
| 4.4.2 实例分析 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 基于EMD和深度信念网络的变载荷激励下齿轮故障诊断方法研究 | 第57-68页 |
| 5.1 引言 | 第57页 |
| 5.2 深度学习的基本理论 | 第57页 |
| 5.3 深度信念网络的基本原理 | 第57-61页 |
| 5.3.1 受限玻尔兹曼机的基本原理 | 第57-58页 |
| 5.3.2 前向堆叠玻尔兹曼机学习方法 | 第58-60页 |
| 5.3.3 向后微调方法 | 第60-61页 |
| 5.4 基于EMD和深度信念网络的变载荷激励下齿轮故障识别方法 | 第61-67页 |
| 5.4.1 EMD和深度信念网络的变载荷激励下齿轮故障识别算法 | 第61-63页 |
| 5.4.2 实例分析 | 第63-67页 |
| 5.5 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第75-76页 |
| 致谢 | 第76页 |
