| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1. 绪论 | 第10-20页 |
| 1.1 选题背景及研究意义 | 第10-11页 |
| 1.2 齿轮故障诊断的国内外研究发展现状 | 第11-13页 |
| 1.2.1 国内研究发展现状 | 第11-12页 |
| 1.2.2 国外研究发展现状 | 第12-13页 |
| 1.3 SVD理论国内外研究发展现状 | 第13-14页 |
| 1.3.1 国内研究发展现状 | 第13-14页 |
| 1.3.2 国外研究发展现状 | 第14页 |
| 1.4 排列熵理论国内外研究发展现状 | 第14-15页 |
| 1.4.1 国内研究发展现状 | 第14-15页 |
| 1.4.2 国外研究发展现状 | 第15页 |
| 1.5 支持向量机理论国内外研究发展现状 | 第15-16页 |
| 1.5.1 国内研究发展现状 | 第15-16页 |
| 1.5.2 国外研究发展现状 | 第16页 |
| 1.6 本文的主要研究内容和结构 | 第16-20页 |
| 1.6.1 论文研究思路 | 第16-18页 |
| 1.6.2 论文的主要研究工作 | 第18-20页 |
| 2. 齿轮的故障诊断 | 第20-34页 |
| 2.1 齿轮的故障形式 | 第20-22页 |
| 2.2 齿轮的振动机理 | 第22-23页 |
| 2.3 齿轮的振动及特征 | 第23-25页 |
| 2.4 齿轮的故障诊断方法 | 第25-27页 |
| 2.4.1 频谱分析 | 第25-26页 |
| 2.4.2 功率谱边频带分析 | 第26页 |
| 2.4.3 小波变换分析 | 第26页 |
| 2.4.4 模糊诊断在齿轮故障中的应用 | 第26-27页 |
| 2.5 齿轮的故障诊断试验 | 第27-30页 |
| 2.5.1 试验装置 | 第27页 |
| 2.5.2 数据采集系统与测试系统 | 第27-28页 |
| 2.5.3 齿轮典型故障的设定 | 第28-30页 |
| 2.6 齿轮不同状态信号的分析 | 第30-33页 |
| 2.7 本章小结 | 第33-34页 |
| 3. 齿轮信号的SVD降噪处理 | 第34-48页 |
| 3.1 Hankel矩阵及矩阵奇异值分解的相关理论 | 第34-35页 |
| 3.1.1 Hankel矩阵 | 第34页 |
| 3.1.2 SVD定义 | 第34-35页 |
| 3.1.3 SVD性质 | 第35页 |
| 3.2 基于Hankel矩阵奇异值分解（SVD）的信号降噪方法 | 第35-36页 |
| 3.3 奇异值阈值处理方法 | 第36-37页 |
| 3.3.1 奇异值差分谱方法 | 第36页 |
| 3.3.2 特征均值方法 | 第36-37页 |
| 3.3.3 奇异值中值方法 | 第37页 |
| 3.4 测试信号分析 | 第37-46页 |
| 3.4.1 数据处理 | 第37-41页 |
| 3.4.2 降噪效果分析 | 第41-46页 |
| 3.5 其它信号的降噪结果 | 第46-47页 |
| 3.6 本章小结 | 第47-48页 |
| 4. 基于排列熵算法理论的特征提取方法 | 第48-58页 |
| 4.1 相空间重构 | 第48-50页 |
| 4.1.1 相空间重构基本思想 | 第48-49页 |
| 4.1.2 测试信号的相空间重构 | 第49-50页 |
| 4.2 信号的排列熵特征提取 | 第50-57页 |
| 4.2.1 排列熵算法原理 | 第51-52页 |
| 4.2.2 信号的排列熵分析 | 第52-57页 |
| 4.3 本章小结 | 第57-58页 |
| 5. 基于支持向量机的齿轮故障诊断方法 | 第58-68页 |
| 5.1 支持向量机 | 第58-61页 |
| 5.1.1 二分类支持向量机 | 第58-60页 |
| 5.1.2 多类支持向量机 | 第60-61页 |
| 5.2 使用支持向量分类机与BP神经网络对数据分析 | 第61-67页 |
| 5.2.1 排列熵特征的SVM分类 | 第61-65页 |
| 5.2.2 SVM与BP神经网络的分类比较 | 第65-67页 |
| 5.3 本章小结 | 第67-68页 |
| 6. 结论与展望 | 第68-70页 |
| 6.1 结论 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间发表学术论文情况 | 第74-76页 |
| 致谢 | 第76-78页 |
| 作者简介 | 第78-79页 |
