1 绪论 | 第1-16页 |
·选题的目的和意义 | 第11-12页 |
·传动箱故障诊断技术的发展与现状 | 第12-15页 |
·本文的主要研究内容 | 第15-16页 |
2 传动箱的故障振动机理及振动信号特征 | 第16-24页 |
·传动箱故障机理分析 | 第16-17页 |
·齿轮常见的故障形式及产生的原因 | 第16-17页 |
·轴承常见的故障形式及产生的原因 | 第17页 |
·传动箱故障特征频率计算 | 第17-19页 |
·齿轮的故障特征频率计算 | 第17-18页 |
·轴承的故障特征频率计算 | 第18-19页 |
·传动箱常见故障的振动特征 | 第19-24页 |
·齿轮的故障特征 | 第20-21页 |
·齿形误差的主要特征 | 第20页 |
·断齿的主要特征 | 第20页 |
·齿轮均匀磨损的主要特征 | 第20-21页 |
·齿轮点蚀的主要特征 | 第21页 |
·轴承的故障特征 | 第21-22页 |
·轴的故障特征 | 第22-24页 |
·轴向窜动的主要特征 | 第22页 |
·轴有较严重的不平衡时的主要特征 | 第22-23页 |
·轴有严重弯曲时的主要特征 | 第23-24页 |
3 传动箱故障诊断方法 | 第24-53页 |
·时域故障快速诊断方法 | 第24-29页 |
·时域波形法 | 第24-25页 |
·齿轮啮合故障的时域波形特征 | 第24页 |
·滚动轴承故障的时域波形特征 | 第24-25页 |
·时频域故障特征参量提取 | 第25-29页 |
·时域故障特征提取 | 第25-27页 |
·频域故障特征提取 | 第27-29页 |
·振动信号的经典处理方法 | 第29-36页 |
·幅值谱分析 | 第29页 |
·功率谱分析 | 第29-31页 |
·细化谱分析 | 第31-32页 |
·能量谱分析 | 第32页 |
·解调谱分析 | 第32-33页 |
·倒频谱分析 | 第33-34页 |
·包络分析 | 第34-36页 |
·基于小波变换的传动箱振动信号降噪方法的研究 | 第36-41页 |
·小波变换的定义 | 第36-38页 |
·离散小波变换 | 第37-38页 |
·小波消噪 | 第38-41页 |
·小波变换模量极大值与信号奇异的关系 | 第39-41页 |
·人工神经网络诊断方法 | 第41-48页 |
·BP网络的结构 | 第42-43页 |
·BP网络的处理算法 | 第43-45页 |
·BP网络的结构设计 | 第45-46页 |
·BP算法的改进方法 | 第46-48页 |
·灰色关联度诊断方法 | 第48-53页 |
·传统的灰色诊断法 | 第49-50页 |
·ABO型关联度的改进 | 第50-53页 |
·分辨系数的确定 | 第51-53页 |
4 传动箱信号采集试验与诊断研究 | 第53-63页 |
·传动箱振动信号采集实验方案 | 第53-54页 |
·传动箱的结构 | 第54-55页 |
·实验仪器及选用 | 第55-56页 |
·测点选择 | 第56-58页 |
·测点的布置及说明 | 第57-58页 |
·试验介绍 | 第58页 |
·传动箱的故障特征分析 | 第58-60页 |
·齿轮故障特征频率计算 | 第59页 |
·轴承故障特征频率计算 | 第59-60页 |
·传动箱故障信号分析 | 第60-63页 |
·崩齿 | 第60-61页 |
·齿轮均匀磨损 | 第61-62页 |
·轴承外圈剥落 | 第62-63页 |
5 神经网络和灰色关联度诊断方法在传动箱故障诊断中的应用 | 第63-81页 |
·典型数据 | 第63页 |
·实验数据预处理 | 第63-64页 |
·时频域特征参数提取及归一化 | 第64-66页 |
·用Matlab语言实现BP神经网络的诊断 | 第66-75页 |
·BP网络神经元 | 第66页 |
·BP网络常用函数 | 第66-67页 |
·BP神经网络的生成及初始化 | 第67页 |
·BP神经网络的学习规则 | 第67-68页 |
·BP神经网络的改进算法 | 第68-69页 |
·BP神经网络的训练和仿真 | 第69-70页 |
·BP神经网络诊断实例 | 第70-75页 |
·ABO灰色关联度诊断 | 第75-79页 |
·BP改进网络与ABO灰色关联度法诊断比较 | 第79-81页 |
6 结论 | 第81-83页 |
参考文献 | 第83-86页 |
攻读硕士期间发表的论文 | 第86-87页 |
致谢 | 第87页 |