| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 课题背景 | 第11-12页 |
| 1.2 研究目的和意义 | 第12-14页 |
| 1.3 齿轮箱故障诊断的发展历程及国内外研究现状 | 第14-18页 |
| 1.3.1 齿轮箱故障诊断的发展历程 | 第14-15页 |
| 1.3.2 国内外的研究现状 | 第15-18页 |
| 1.4 论文主要研究内容 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第2章 齿轮箱故障机理及特征分析 | 第20-30页 |
| 2.1 齿轮箱的主要故障形式 | 第20-21页 |
| 2.2 齿轮与轴承的主要失效形式 | 第21-22页 |
| 2.3 齿轮的振动机理 | 第22-23页 |
| 2.3.1 轮齿啮合振动的物理模型 | 第22-23页 |
| 2.4 齿轮振动信号及其故障特征分析 | 第23-25页 |
| 2.4.1 以齿轮副啮合频率及其各次谐波分量为载体的调制 | 第23-25页 |
| 2.4.2 以一对啮合齿轮固有频率为载体的共振调制情况 | 第25页 |
| 2.4.3 以齿轮箱壳体固有频率为载体的共振调制情况 | 第25页 |
| 2.5 轴承的振动机理 | 第25-28页 |
| 2.5.1 轴承的固有振动 | 第25-26页 |
| 2.5.2 轴承各部件的理论故障频率 | 第26-28页 |
| 2.6 轴承振动冲击及其故障特征分析 | 第28页 |
| 2.7 本章小结 | 第28-30页 |
| 第3章 基于流形学习的故障特征提取技术研究 | 第30-49页 |
| 3.1 振动信号的预处理 | 第30-38页 |
| 3.1.1 振动信号的小波降噪 | 第30-32页 |
| 3.1.2 基于EEMD的振动信号分解 | 第32-35页 |
| 3.1.3 基于LMD的振动信号分解 | 第35-38页 |
| 3.2 基于流形学习的故障特征提取技术 | 第38-48页 |
| 3.2.1 流形学习方法基本原理 | 第38-39页 |
| 3.2.2 基于ISOMAP的齿轮故障特征提取算法 | 第39-41页 |
| 3.2.3 基于LLE的滚动轴承故障特征提取算法及改进 | 第41-48页 |
| 3.3 本章小结 | 第48-49页 |
| 第4章 基于学习矢量量化神经网络的故障识别技术 | 第49-56页 |
| 4.1 学习矢量量化神经网络 | 第49-52页 |
| 4.1.1 学习矢量量化神经网络算法 | 第49-50页 |
| 4.1.2 学习矢量量化神经网络结构 | 第50-52页 |
| 4.2 基于LVQ的齿轮与轴承的故障识别 | 第52-54页 |
| 4.3 本章小结 | 第54-56页 |
| 第5章 齿轮箱故障诊断 | 第56-85页 |
| 5.1 基于ISOMAP和LVQ的齿轮故障诊断模型 | 第56-66页 |
| 5.1.1 齿轮原始振动信号的采集 | 第57-59页 |
| 5.1.2 实验验证以及实验结果分析 | 第59-64页 |
| 5.1.3 实验结果比较 | 第64-66页 |
| 5.2 基于距离自适应LLE算法的轴承故障诊断模型 | 第66-84页 |
| 5.2.1 实验验证及结果分析 | 第67-79页 |
| 5.2.2 实验结果比较 | 第79-84页 |
| 5.3 本章小结 | 第84-85页 |
| 结论 | 第85-86页 |
| 参考文献 | 第86-91页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第91-92页 |
| 致谢 | 第92-93页 |
