| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 变量注释表 | 第17-18页 |
| 1 绪论 | 第18-27页 |
| 1.1 课题来源和意义 | 第18-19页 |
| 1.1.1 课题来源 | 第18页 |
| 1.1.2 课题研究意义 | 第18-19页 |
| 1.2 齿轮故障诊断技术研究背景与现状 | 第19-25页 |
| 1.2.1 行星齿轮故障诊断研究现状 | 第20页 |
| 1.2.2 机械振动分析方法的研究现状 | 第20-23页 |
| 1.2.3 机械故障诊断方法的研究现状 | 第23-25页 |
| 1.3 论文研究内容和章节安排 | 第25-27页 |
| 2 基于改进局部均值分解的信号预处理方法研究 | 第27-37页 |
| 2.1 引言 | 第27页 |
| 2.2 局部均值分解方法 | 第27-29页 |
| 2.2.1 局部均值分解原理 | 第27-29页 |
| 2.3 LMD方法的不足及其改进措施 | 第29-33页 |
| 2.4 仿真实验验证 | 第33-36页 |
| 2.5 本章小结 | 第36-37页 |
| 3 振动信号降噪处理与敏感特征提取分析 | 第37-49页 |
| 3.1 引言 | 第37-38页 |
| 3.2 奇异值分解方法 | 第38页 |
| 3.2.1 奇异值分解原理 | 第38页 |
| 3.3 奇异值能量差分谱理论及有效奇异值选择方法 | 第38-41页 |
| 3.3.1 奇异值能量差分谱基本理论 | 第38-40页 |
| 3.3.2 基于奇异值能量差分谱的奇异值选择方法仿真分析 | 第40-41页 |
| 3.4 多尺度样本熵特征信息提取 | 第41-44页 |
| 3.4.1 多尺度演算 | 第42页 |
| 3.4.2 样本熵定义 | 第42-43页 |
| 3.4.3 多尺度样本熵演算 | 第43-44页 |
| 3.5 基于LMD和奇异值能量差分谱的降噪及特征提取研究 | 第44-48页 |
| 3.6 本章小结 | 第48-49页 |
| 4 基于隐马尔科夫模型的模式识别方法研究 | 第49-73页 |
| 4.1 引言 | 第49页 |
| 4.2 HMM介绍 | 第49-57页 |
| 4.2.1 HMM定义 | 第49-52页 |
| 4.2.2 HMM的基本算法 | 第52-55页 |
| 4.2.3 HMM多样本训练及溢出问题的算法改进 | 第55-57页 |
| 4.3 DHMM理论在齿轮故障状态识别中的应用 | 第57-59页 |
| 4.4 基于LMD和DHMM的行星齿轮故障诊断的实现 | 第59-72页 |
| 4.4.1 强噪声背景下行星齿轮故障诊断实验平台及数据采集 | 第60-64页 |
| 4.4.2 实验信号分析 | 第64-72页 |
| 4.5 本章小结 | 第72-73页 |
| 5 行星齿轮故障智能诊断系统研究 | 第73-82页 |
| 5.1 引言 | 第73页 |
| 5.2 软件开发工具介绍 | 第73-74页 |
| 5.3 系统总体方案设计 | 第74页 |
| 5.4 各模块调试结果 | 第74-80页 |
| 5.5 本章小结 | 第80-82页 |
| 6 结论和展望 | 第82-84页 |
| 6.1 结论(Conclusion) | 第82-83页 |
| 6.2 展望(Prospect) | 第83-84页 |
| 参考文献 | 第84-90页 |
| 作者简历 | 第90-92页 |
| 学位论文数据集 | 第92页 |
