| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 课题研究的背景与意义 | 第8页 |
| 1.2 航空齿轮传动故障诊断技术研究现状 | 第8-9页 |
| 1.3 设备异常检测与状态辨识研究与应用 | 第9-15页 |
| 1.3.1 特征选择算法的研究 | 第9-12页 |
| 1.3.2 基于SVDD的异常检测与性能分析研究 | 第12-13页 |
| 1.3.3 基于SOM故障状态辨识的研究 | 第13-15页 |
| 1.4 本文研究内容与章节安排 | 第15-18页 |
| 2 航空齿轮振动信号特征提取 | 第18-32页 |
| 2.1 时域和频域特征提取 | 第18-20页 |
| 2.1.1 时域特征提取 | 第18-19页 |
| 2.1.2 频域特征提取 | 第19-20页 |
| 2.2 基于Morlet小波的特征提取 | 第20-26页 |
| 2.2.1 Morlet小波基本理论 | 第21-22页 |
| 2.2.2 Morlet小波形状因子的选择 | 第22页 |
| 2.2.3 Morlet小波尺度参数的优化 | 第22-26页 |
| 2.3 基于VMD分量的Shannon熵提取 | 第26-30页 |
| 2.3.1 VMD的原理 | 第26-28页 |
| 2.3.2 VMD分解过程 | 第28-30页 |
| 2.4 本章小结 | 第30-32页 |
| 3 航空齿轮振动信号特征优化选择 | 第32-42页 |
| 3.1 基于距离的特征优选法 | 第32-33页 |
| 3.2 基于回归特征消去的特征优选法 | 第33-35页 |
| 3.2.1 SVDD-RFE基本原理 | 第33-34页 |
| 3.2.2 SVDD-RFE流程及简单实例 | 第34-35页 |
| 3.3 基于二进制粒子群的特征优化选择算法 | 第35-37页 |
| 3.3.1 标准粒子群基本原理 | 第35-36页 |
| 3.3.2 二进制粒子群算法 | 第36-37页 |
| 3.4 基于ISODATA-BPSO的特征优选法 | 第37-41页 |
| 3.4.1 ISODATA算法原理简介 | 第37-39页 |
| 3.4.2 ISODATA-BPSO特征优选法 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 4 基于VPSO-SVDD的航空齿轮新异类检测 | 第42-66页 |
| 4.1 支持向量数据描述基本理论 | 第42-43页 |
| 4.2 基于核函数与参数优化的SVDD | 第43-48页 |
| 4.2.1 核函数的选择 | 第43-46页 |
| 4.2.2 变异粒子群优化的SVDD | 第46-48页 |
| 4.3 方法验证 | 第48-65页 |
| 4.3.1 基于SVDD的航空齿轮箱异常检测及性能测试 | 第48-61页 |
| 4.3.2 航空机匣性能分析 | 第61-65页 |
| 4.4 本章小结 | 第65-66页 |
| 5 基于权值优化的WSOM齿轮状态辨识 | 第66-84页 |
| 5.1 自组织映射神经网络基本理论 | 第66-69页 |
| 5.2 SOM权值初值优化及其更新过程的改进 | 第69-71页 |
| 5.2.1 初始权值的设计 | 第69页 |
| 5.2.2 WSOM权值更新方式 | 第69-71页 |
| 5.3 方法验证 | 第71-83页 |
| 5.3.1 基于WSOM的齿轮箱状态辨识 | 第71-75页 |
| 5.3.2 基于ANSYS仿真的齿轮箱状态辨识 | 第75-83页 |
| 5.4 本章小结 | 第83-84页 |
| 6 总结与展望 | 第84-86页 |
| 6.1 总结 | 第84-85页 |
| 6.2 展望 | 第85-86页 |
| 致谢 | 第86-88页 |
| 参考文献 | 第88-92页 |
| 附录 | 第92页 |
| A作者在攻读硕士期间发表的论文目录 | 第92页 |