| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第1章 绪论 | 第8-14页 |
| ·本课题的研究背景和意义 | 第8-9页 |
| ·本课题的研究现状 | 第9-12页 |
| ·设备故障诊断的研究现状 | 第9-10页 |
| ·智能诊断方法和系统的研究现状 | 第10-11页 |
| ·神经网络的发展及其优缺点 | 第11-12页 |
| ·本课题的研究内容 | 第12-14页 |
| 第2章 齿轮箱典型故障冲击特征的辨识与分析 | 第14-32页 |
| ·高线轧机齿轮箱结构特征及其振动特性 | 第14-15页 |
| ·齿轮箱故障诊断振动信号分析及实例 | 第15-24页 |
| ·诊断的时域与频域指标及诊断实例 | 第15-21页 |
| ·轴承特征向量提取实例 | 第21-24页 |
| ·早期故障数据解调分析方法的研究 | 第24-30页 |
| ·希尔伯特包络解调理论 | 第24-25页 |
| ·实际故障案例解调分析 | 第25-30页 |
| ·本章小结 | 第30-32页 |
| 第3章 EMD解调参数在齿轮箱故障诊断中的运用 | 第32-44页 |
| ·经验模式分解(EMD)方法的原理 | 第32-35页 |
| ·应用背景 | 第32-33页 |
| ·固有模态函数 | 第33页 |
| ·经验模式分解 | 第33-35页 |
| ·经验模式分解(EMD)包络分析的特点及其应用 | 第35-43页 |
| ·基于EMD的包络分析的特点 | 第35页 |
| ·早期数据分析的两个实例 | 第35-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 齿轮箱神经网络推理模型的建立与分析 | 第44-60页 |
| ·神经网络概述 | 第44-47页 |
| ·神经网络的构成 | 第44-45页 |
| ·神经网络的学习算法及其优点 | 第45-46页 |
| ·BP神经网络在模式识别中的应用概况 | 第46-47页 |
| ·BP神经网络及其用于模式识别研究或故障诊断的方法 | 第47-50页 |
| ·BP神经网络模型结构 | 第47-48页 |
| ·Bp神经网络设计 | 第48-50页 |
| ·Bp神经网络在故障诊断中的应用 | 第50-59页 |
| ·基于时域指标的实验数据分析 | 第50-56页 |
| ·基于EMD的现场数据分析 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 第5章 基于混合推理和神经网络的智能诊断系统 | 第60-74页 |
| ·基于知识推理和案例推理的智能系统 | 第60-68页 |
| ·轧机齿轮箱智能诊断系统总体设计 | 第60-62页 |
| ·轧机齿轮箱智能诊断系统主要模块 | 第62-63页 |
| ·智能诊断系统运行实例 | 第63-68页 |
| ·集成式专家系统的实现 | 第68-72页 |
| ·神经网络在齿轮箱智能诊断系统中的设计方案一 | 第68-70页 |
| ·神经网络在齿轮箱智能诊断系统中的设计方案二 | 第70-71页 |
| ·智能诊断系统整体性优化方案 | 第71-72页 |
| ·本章小结 | 第72-74页 |
| 总结与展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士期间的成果及论文 | 第80-82页 |
| 致谢 | 第82页 |