| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第13-30页 |
| 1.1 引言 | 第13-14页 |
| 1.2 齿轮箱故障诊断概述 | 第14-19页 |
| 1.3 齿轮箱智能故障诊断的研究现状 | 第19-26页 |
| 1.3.1 振动特性分析与故障特征提取 | 第19-20页 |
| 1.3.2 故障特征选择 | 第20-22页 |
| 1.3.3 智能故障模式识别 | 第22-26页 |
| 1.4 齿轮箱智能故障诊断的发展方向 | 第26-27页 |
| 1.5 本文研究工作 | 第27-30页 |
| 第2章 滚动轴承振动信号的故障特征提取方法研究 | 第30-43页 |
| 2.1 引言 | 第30-31页 |
| 2.2 基于同步压缩变换和非负矩阵分解的故障特征提取方法 | 第31-35页 |
| 2.2.1 同步压缩小波变换 | 第31-34页 |
| 2.2.2 非负矩阵分解 | 第34-35页 |
| 2.3 滚动轴承振动信号故障特征分类性能评价 | 第35-37页 |
| 2.4 滚动轴承故障诊断实验验证与对比分析 | 第37-42页 |
| 2.5 本章小结 | 第42-43页 |
| 第3章 滚动轴承故障的非监督式智能诊断方法研究 | 第43-68页 |
| 3.1 引言 | 第43-44页 |
| 3.2 基于深度置信网络的非监督式智能诊断方法 | 第44-51页 |
| 3.2.1 深度置信网络的基本框架 | 第44-46页 |
| 3.2.2 深度置信网络的训练过程 | 第46-48页 |
| 3.2.3 基于深度置信网络的非监督式智能故障诊断方法 | 第48-51页 |
| 3.3 基于非监督式学习机制的智能故障诊断 | 第51-66页 |
| 3.4 本章小结 | 第66-68页 |
| 第4章 齿轮故障的振动特性分析方法研究 | 第68-91页 |
| 4.1 引言 | 第68页 |
| 4.2 齿轮的简化动力学模型 | 第68-76页 |
| 4.3 齿轮典型故障的振动特性 | 第76-80页 |
| 4.4 齿轮实验信号分析 | 第80-89页 |
| 4.5 本章小结 | 第89-91页 |
| 第5章 齿轮箱多传感器信息融合故障诊断方法研究 | 第91-111页 |
| 5.1 引言 | 第91-92页 |
| 5.2 多传感器布置与振动数据采集 | 第92-97页 |
| 5.3 基于能量算子和时域同步平均的多传感器振动信号特征提取 | 第97-100页 |
| 5.3.1 能量算子 | 第97-99页 |
| 5.3.2 时域同步平均 | 第99-100页 |
| 5.4 基于DET和mRMR的故障特征选择与融合 | 第100-101页 |
| 5.5 齿轮箱复合故障智能诊断 | 第101-109页 |
| 5.6 本章小结 | 第109-111页 |
| 第6章 结论与展望 | 第111-114页 |
| 6.1 结论 | 第111-112页 |
| 6.2 展望 | 第112-114页 |
| 参考文献 | 第114-121页 |
| 攻读博士学位期间发表(录用)的学术论文 | 第121页 |
| 攻读博士学位期间授权的发明专利 | 第121-122页 |
| 攻读博士学位期间参加的主要科研项目 | 第122页 |
