| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 故障诊断研究现状 | 第13-15页 |
| 1.2.1 故障检测 | 第13-14页 |
| 1.2.2 故障分离 | 第14-15页 |
| 1.3 剩余寿命预测研究现状 | 第15-16页 |
| 1.4 本文研究内容及技术路线 | 第16-20页 |
| 2 列车齿轮箱故障机理及特征值提取研究 | 第20-40页 |
| 2.1 齿轮箱故障机理 | 第20-25页 |
| 2.1.1 轴承故障机理 | 第20-22页 |
| 2.1.2 齿轮故障机理 | 第22-25页 |
| 2.2 局部均值分解 | 第25-28页 |
| 2.2.1 局部均值分解机理 | 第26-27页 |
| 2.2.2 LMD与EMD对比验证 | 第27-28页 |
| 2.3 多角度特征值提取 | 第28-31页 |
| 2.4 特征值融合降维 | 第31页 |
| 2.5 实例分析 | 第31-38页 |
| 2.5.1 数据来源 | 第32-34页 |
| 2.5.2 LMD分解 | 第34-35页 |
| 2.5.3 特征值提取 | 第35-37页 |
| 2.5.4 特征值融合降维 | 第37-38页 |
| 2.6 本章小结 | 第38-40页 |
| 3 基于循环平稳理论的列车齿轮箱故障检测研究 | 第40-72页 |
| 3.1 循环平稳基础理论 | 第40页 |
| 3.2 二阶循环统计量 | 第40-44页 |
| 3.2.1 循环自相关函数 | 第41-42页 |
| 3.2.2 谱相关密度函数 | 第42页 |
| 3.2.3 轴承振动信号的二阶循环平稳特性 | 第42-43页 |
| 3.2.4 齿轮振动信号的二阶循环平稳特性 | 第43-44页 |
| 3.3 基于周期图的谱相关密度函数估计 | 第44-47页 |
| 3.3.1 经典谱估计 | 第44-45页 |
| 3.3.2 循环平稳信号谱估计 | 第45-46页 |
| 3.3.3 基于平均循环周期图谱相关密度组合切片分析 | 第46-47页 |
| 3.4 CUSUM误差累计分析 | 第47-48页 |
| 3.5 实例分析与对比 | 第48-69页 |
| 3.5.1 轴承外圈故障检测 | 第48-58页 |
| 3.5.2 轴承混合故障检测 | 第58-61页 |
| 3.5.3 齿轮仿真信号分析 | 第61-64页 |
| 3.5.4 齿轮故障检测 | 第64-69页 |
| 3.6 本章小结 | 第69-72页 |
| 4 基于变量预测模型的列车齿轮箱故障分离研究 | 第72-92页 |
| 4.1 变量预测模型机理 | 第72-73页 |
| 4.2 变量预测模型算法 | 第73-79页 |
| 4.2.1 拉普拉斯分值法特征值选取 | 第73-75页 |
| 4.2.2 稳健回归参数估计 | 第75-77页 |
| 4.2.3 变量预测模型故障分离流程 | 第77-79页 |
| 4.3 实例分析与对比 | 第79-90页 |
| 4.3.1 轴承故障分离 | 第79-85页 |
| 4.3.2 齿轮故障分离 | 第85-90页 |
| 4.4 本章小结 | 第90-92页 |
| 5 基于故障诊断的列车齿轮箱剩余寿命预测研究 | 第92-112页 |
| 5.1 基于故障诊断的剩余寿命预测 | 第92-93页 |
| 5.2 半监督协同训练算法 | 第93-101页 |
| 5.2.1 半监督协同算法流程 | 第94-97页 |
| 5.2.2 PSO-BP神经网络 | 第97-99页 |
| 5.2.3 支持向量回归 | 第99-101页 |
| 5.3 网络预测精度衡量指标 | 第101-102页 |
| 5.4 实例分析与对比 | 第102-111页 |
| 5.4.1 BP神经网络结构与参数设置 | 第102-105页 |
| 5.4.2 基于轴承混合故障的剩余寿命预测 | 第105-107页 |
| 5.4.3 基于轴承外圈故障的剩余寿命预测 | 第107-111页 |
| 5.5 本章小结 | 第111-112页 |
| 6 结论与展望 | 第112-114页 |
| 6.1 工作总结 | 第112-113页 |
| 6.2 研究展望 | 第113-114页 |
| 参考文献 | 第114-118页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第118-122页 |
| 学位论文数据集 | 第122页 |