| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 课题背景 | 第12-13页 |
| 1.2 研究目的和意义 | 第13-14页 |
| 1.3 齿轮箱故障诊断发展及国内外研究现状 | 第14-16页 |
| 1.3.1 齿轮箱故障诊断发展 | 第14-15页 |
| 1.3.2 国内外研究发展现状 | 第15-16页 |
| 1.4 论文主要研究内容 | 第16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 齿轮箱故障机理及特征分析 | 第17-31页 |
| 2.1 齿轮箱故障形式 | 第17页 |
| 2.2 齿轮的主要失效形式 | 第17-19页 |
| 2.3 齿轮振动机理 | 第19-21页 |
| 2.3.1 齿轮振动模型 | 第19-20页 |
| 2.3.2 啮合刚度 | 第20-21页 |
| 2.4 齿轮故障及特征分析 | 第21-24页 |
| 2.4.1 以两齿轮啮合频率及它的各次谐波分量为载体的调制 | 第21-23页 |
| 2.4.2 以啮合齿轮固有频率为载体的共振调制情况 | 第23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23-24页 |
| 2.5 滚动轴承的失效形式 | 第24-25页 |
| 2.6 轴承振动机理 | 第25-28页 |
| 2.6.1 滚动轴承的固有振动 | 第25-26页 |
| 2.6.2 滚动轴承的故障振动 | 第26-28页 |
| 2.7 轴承故障特征分析 | 第28-30页 |
| 2.8 本章小结 | 第30-31页 |
| 第3章 基于奇异值分解故障特征提取技术 | 第31-44页 |
| 3.1 EEMD理论 | 第31-34页 |
| 3.1.1 固有模态函数以及经验模式分解 | 第31-33页 |
| 3.1.2 Hilbert时频与边际谱 | 第33-34页 |
| 3.2 EEMD算法实现 | 第34-35页 |
| 3.3 EEMD参数选择 | 第35-36页 |
| 3.4 奇异值分解 | 第36-38页 |
| 3.4.1 奇异值分解理论 | 第36页 |
| 3.4.2 SVD的算法实现 | 第36-38页 |
| 3.5 固有模态函数重构及包络谱分析 | 第38页 |
| 3.6 仿真实验验证 | 第38-43页 |
| 3.7 本章小结 | 第43-44页 |
| 第4章 基于极限学习机故障识别技术 | 第44-52页 |
| 4.1 极限学习机理论 | 第44-47页 |
| 4.1.1 单隐层神经网络 | 第44-46页 |
| 4.1.2 极限学习机 | 第46-47页 |
| 4.2 基于极限学习机的故障分类模型 | 第47-49页 |
| 4.2.1 ELM的参数选取 | 第47-48页 |
| 4.2.2 基于ELM的故障模型算法实现 | 第48-49页 |
| 4.3 ELM模型验证 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 齿轮箱故障诊断 | 第52-68页 |
| 5.1 齿轮实际振动信号的介绍 | 第52-53页 |
| 5.2 齿轮故障诊断实验验证 | 第53-60页 |
| 5.2.1 EEMD在齿轮故障特征提取中的应用 | 第53-54页 |
| 5.2.2 SVD在齿轮故障特征提取中的应用 | 第54-56页 |
| 5.2.3 ELM在齿轮故障识别中的应用 | 第56-60页 |
| 5.3 轴承实际振动信号 | 第60-61页 |
| 5.4 轴承故障诊断实验验证 | 第61-67页 |
| 5.4.1 EEMD在轴承故障特征提取中的应用 | 第61-63页 |
| 5.4.2 SVD在轴承故障特征提取中的应用 | 第63-65页 |
| 5.4.3 ELM故障识别中的应用 | 第65-67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 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第75-76页 |
| 致谢 | 第76-77页 |
