| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 齿轮传动故障诊断的发展现状与趋势 | 第11-14页 |
| 1.2.1 齿轮传动系统故障诊断的发展历程 | 第11页 |
| 1.2.2 齿轮传动系统故障诊断的研究现状 | 第11-14页 |
| 1.2.3 发展趋势 | 第14页 |
| 1.3 本文研究的主要内容 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 齿轮传动故障及其振动机理研究 | 第16-25页 |
| 2.1 齿轮故障分类及其形成原因 | 第16-17页 |
| 2.2 齿轮振动的产生机理分析 | 第17-22页 |
| 2.2.1 齿轮的基本振动分析 | 第17-18页 |
| 2.2.2 齿轮振动信号的调制 | 第18-22页 |
| 2.3 齿轮振动的特点 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 齿轮传动故障诊断方法 | 第25-42页 |
| 3.1 时域故障诊断方法 | 第25页 |
| 3.2 频域故障诊断方法 | 第25-27页 |
| 3.3 小波分析方法 | 第27-30页 |
| 3.3.1 连续小波变换 | 第27-28页 |
| 3.3.2 小波变换离散化 | 第28-29页 |
| 3.3.3 基于小波变换的信号消噪应用 | 第29-30页 |
| 3.4 小波包分析方法 | 第30-34页 |
| 3.4.1 小波包定义 | 第30-32页 |
| 3.4.2 小波包分解与重构 | 第32页 |
| 3.4.3 小波包分析实例仿真 | 第32-34页 |
| 3.5 集合经验模式分解的基本原理 | 第34-41页 |
| 3.5.1 集合经验模式分解算法 | 第35-36页 |
| 3.5.2 Hilbert解调原理 | 第36页 |
| 3.5.3 EEMD分解方法的信号仿真 | 第36-38页 |
| 3.5.4 基于EEMD的齿轮故障诊断 | 第38-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 人工神经网络与模式识别 | 第42-49页 |
| 4.1 人工神经网络原理 | 第42-44页 |
| 4.1.1 神经元 | 第42-43页 |
| 4.1.2 神经网络的连接类型 | 第43-44页 |
| 4.2 人工神经网络的学习方式 | 第44-45页 |
| 4.3 人工神经网络的特点 | 第45-46页 |
| 4.4 径向基神经网络基本原理 | 第46-47页 |
| 4.5 人工神经网络与齿轮故障模式识别 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第5章 齿轮传动故障信号采集与特征提取 | 第49-65页 |
| 5.1 齿轮时域振动信号的采集 | 第49-52页 |
| 5.1.1 齿轮故障模拟实验平台介绍 | 第49-50页 |
| 5.1.2 信号采集 | 第50-52页 |
| 5.2 振动信号的时域特征提取方法 | 第52-53页 |
| 5.3 振动信号的频域特征提取方法 | 第53-54页 |
| 5.4 基于小波包分解的特征量提取 | 第54-59页 |
| 5.5 基于EEMD方法的特征量提取 | 第59-64页 |
| 5.6 本章小结 | 第64-65页 |
| 第6章 基于RBF神经网络的齿轮故障诊断 | 第65-71页 |
| 6.1 RBF神经网络的建模步骤 | 第65-66页 |
| 6.2 小波包与RBF神经网络相结合的齿轮故障诊断 | 第66-68页 |
| 6.3 EEMD与RBF神经网络相结合的齿轮故障诊断 | 第68-70页 |
| 6.4 本章小结 | 第70-71页 |
| 第7章 总结与展望 | 第71-73页 |
| 7.1 总结 | 第71页 |
| 7.2 展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 作者简介 | 第77页 |
| 攻读硕士学位期间发表的论文 | 第77-78页 |