| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-16页 |
| 1．1 课题概述 | 第9-10页 |
| 1．1．1 课题的来源 | 第9页 |
| 1．1．2 课题的提出及意义 | 第9-10页 |
| 1．2 齿轮故障诊断技术的发展概况 | 第10-14页 |
| 1．3 本文的主要研究内容 | 第14-15页 |
| 1．4 本章小结 | 第15-16页 |
| 第二章 齿轮的振动机理及特征分析 | 第16-28页 |
| 2．1 齿轮的失效形式 | 第16-17页 |
| 2．2 齿轮的振动机理 | 第17-25页 |
| 2．2．1 齿轮振动的基本参数 | 第18-20页 |
| 2．2．2 齿轮振动的数学模型 | 第20-22页 |
| 2．2．3 齿轮故障的频谱特征 | 第22-25页 |
| 2．3 齿轮的振动特征 | 第25-27页 |
| 2．3．1 啮合频率及其各次谐波 | 第25页 |
| 2．3．2 由调制效应而产生的边频带 | 第25-26页 |
| 2．3．3 其它成份 | 第26-27页 |
| 2．4 本章小结 | 第27-28页 |
| 第三章 齿轮振动信号的分析与特征提取 | 第28-39页 |
| 3．1 齿轮信号的时域和频域特征 | 第28-30页 |
| 3．2 齿轮信号的常规分析方法 | 第30-36页 |
| 3．2．1 时域平均分析 | 第30-31页 |
| 3．2．2 时域分析 | 第31-32页 |
| 3．2．3 频域分析 | 第32-35页 |
| 3．2．4 倒频谱分析 | 第35-36页 |
| 3．3 齿轮信号的解调分析方法 | 第36-38页 |
| 3．3．1 希尔伯特变换 | 第36-37页 |
| 3．3．2 希尔伯特变换解调的原理 | 第37-38页 |
| 3．4 本章小结 | 第38-39页 |
| 第四章 神经网络在齿轮故障诊断中的应用 | 第39-57页 |
| 4．1 人工神经网络的基本原理 | 第39-42页 |
| 4．1．1 人工神经元的基本模型 | 第39-40页 |
| 4．1．2 人工神经网络的拓扑结构和分类 | 第40-42页 |
| 4．1．3 神经网络的特点 | 第42页 |
| 4．2 BP神经网络模型及其算法 | 第42-47页 |
| 4．2．1 BP训练算法原理 | 第43-45页 |
| 4．2．2 BP算法的改进 | 第45-47页 |
| 4．3 神经网络在齿轮故障诊断中的实际应用 | 第47-55页 |
| 4．3．1 确定神经网络的输入与输出 | 第47-49页 |
| 4．3．2 网络结构的选择 | 第49-51页 |
| 4．3．3 网络的训练和检验 | 第51-55页 |
| 4．4 神经网络的局限性 | 第55-56页 |
| 4．5 本章小结 | 第56-57页 |
| 第五章 基于支持向量机的齿轮故障诊断的研究 | 第57-71页 |
| 5．1 统计学习理论 | 第57-60页 |
| 5．1．1 VC维 | 第57-58页 |
| 5．1．2 推广性的界 | 第58-59页 |
| 5．1．3 结构风险最小化 | 第59-60页 |
| 5．2 支持向量机 | 第60-64页 |
| 5．2．1 广义最优分类面 | 第61-63页 |
| 5．2．2 支持向量机 | 第63-64页 |
| 5．3 支持向量机在齿轮故障诊断中的应用 | 第64-70页 |
| 5．3．1 用支持向量机方法实现齿轮故障的二分类 | 第65页 |
| 5．3．2 支持向量机的多分类算法 | 第65-67页 |
| 5．3．3 用一对多方法实现少样本的齿轮多故障分类 | 第67-70页 |
| 5．4 本章小结 | 第70-71页 |
| 第六章 结论与展望 | 第71-73页 |
| 6．1 本文的主要工作和结论 | 第71页 |
| 6．2 展望 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 致谢 | 第78页 |