| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-22页 |
| ·课题来源、研究背景及意义 | 第11-13页 |
| ·齿轮箱状态监测与故障诊断的意义 | 第13-14页 |
| ·齿轮箱状态监测与诊断技术研究现状 | 第14-20页 |
| ·故障机理研究方法 | 第15页 |
| ·状态特征提取技术 | 第15-20页 |
| ·论文主要内容和章节安排 | 第20-22页 |
| 第二章 齿轮故障模式和机理及信号特征提取 | 第22-36页 |
| ·齿轮副运动特点及振动机理 | 第22-24页 |
| ·齿轮常见故障模式及振动信号特征 | 第24-26页 |
| ·齿轮故障的频谱特征提取 | 第26-33页 |
| ·齿轮故障啮合频率及谐波 | 第26-27页 |
| ·信号调制及边频带分析 | 第27-30页 |
| ·Hilbert解调法 | 第30-33页 |
| ·频谱特征提取方法在齿轮故障诊断中的应用 | 第33-35页 |
| ·数据说明 | 第33页 |
| ·边频带分析 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 时域同步平均原理及应用 | 第36-56页 |
| ·时域同步平均原理 | 第36-40页 |
| ·基于周期的时域同步平均方法 | 第40-48页 |
| ·基于周期的时域同步平均方法计算 | 第40-44页 |
| ·一种减小截断误差的方法 | 第44-47页 |
| ·提高采样频率减小截断误差的方法 | 第47-48页 |
| ·相位误差累计效益分析 | 第48-50页 |
| ·基于时标信号的角域同步平均方法及工程应用 | 第50-54页 |
| ·本章小结 | 第54-56页 |
| 第四章 残余信号特征分析及在齿轮箱诊断中的应用 | 第56-63页 |
| ·基于时标时域平均方法的残余信号获取 | 第56-58页 |
| ·残余信号获取流程 | 第56-57页 |
| ·残余信号实验数据验证 | 第57-58页 |
| ·基于残余信号的幅域分析方法 | 第58-62页 |
| ·本章小结 | 第62-63页 |
| 第五章 基于小波分析的齿轮故障特征提取 | 第63-93页 |
| ·小波变换原理 | 第63-68页 |
| ·连续小波变换 | 第64-65页 |
| ·离散小波变换 | 第65-66页 |
| ·多分辨率分析 | 第66-67页 |
| ·小波包分解 | 第67-68页 |
| ·基于小波分析的齿轮信号降噪 | 第68-73页 |
| ·小波去噪原理 | 第68-70页 |
| ·调幅调频信号的小波去噪 | 第70-73页 |
| ·连续小波变换的齿轮故障特征提取 | 第73-78页 |
| ·连续小波变换的参数选择及特征提取特性 | 第73-76页 |
| ·含噪声的调幅调频信号的连续小波变换及特征提取 | 第76-77页 |
| ·基于小波降噪的调幅调频信号连续小波变换及特征提取 | 第77-78页 |
| ·基于时域同步平均和连续小波变换的齿轮故障特征提取 | 第78-83页 |
| ·基于残余信号和连续小波变换的齿轮故障特征提取 | 第83-85页 |
| ·基于残余信号和小波包分解的齿轮故障特征提取 | 第85-90页 |
| ·本章小结 | 第90-93页 |
| 第六章 支持向量机一类学习算法在齿轮在线故障诊断中的应用 | 第93-105页 |
| ·支持向量机机器学习算法原理 | 第93-94页 |
| ·支持向量机一类学习算法的实验仿真 | 第94-97页 |
| ·支持向量机一类学习算法在线故障诊断应用 | 第97-103页 |
| ·本章小结 | 第103-105页 |
| 第七章 总结与展望 | 第105-107页 |
| ·总结 | 第105-106页 |
| ·展望 | 第106-107页 |
| 参考文献 | 第107-111页 |
| 攻读学位期间发表的论文 | 第111-112页 |
| 致谢 | 第112页 |
