| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 课题背景及意义 | 第11-13页 |
| 1.2 国内外故障诊断的发展历史、现有故障诊断方法及研究现状 | 第13-17页 |
| 1.2.1 故障诊断发展历史 | 第13-14页 |
| 1.2.2 现有故障诊断方法 | 第14-15页 |
| 1.2.3 国内外研究现状 | 第15-17页 |
| 1.3 本文主要研究内容和论文结构安排 | 第17-20页 |
| 1.3.1 主要研究内容 | 第17-18页 |
| 1.3.2 论文结构安排 | 第18-20页 |
| 第2章 风机齿轮箱振动及故障原理 | 第20-26页 |
| 2.1 引言 | 第20页 |
| 2.2 滚动轴承振动及故障机理 | 第20-22页 |
| 2.2.1 滚动轴承故障类型 | 第20-21页 |
| 2.2.2 滚动轴承振动类型及故障频率 | 第21-22页 |
| 2.3 齿轮振动及故障机理 | 第22-25页 |
| 2.3.1 齿轮故障类型 | 第22-23页 |
| 2.3.2 齿轮振动类型及故障频率 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于欠定盲源分离的齿轮箱多故障诊断方法 | 第26-40页 |
| 3.1 盲源分离问题及方法概述 | 第26-28页 |
| 3.1.1 盲源分离问题介绍 | 第26-27页 |
| 3.1.2 方法概述 | 第27-28页 |
| 3.2 基于EMD、SVD和K-means的源数目估计方法 | 第28-34页 |
| 3.2.1 EMD基本原理 | 第28-30页 |
| 3.2.2 SVD基本原理 | 第30-31页 |
| 3.2.3 K-means算法基本原理 | 第31-32页 |
| 3.2.4 基于EMD、SVD和K-means的源数目估计方法 | 第32-34页 |
| 3.3 基于稀疏成分分析的源信号恢复 | 第34-38页 |
| 3.3.1 基于Fuzzy C-means的混叠矩阵估计 | 第34-37页 |
| 3.3.2 基于最小化l_1范式的源信号估计 | 第37-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第4章 基于欠定盲源分离的故障诊断算法实验分析 | 第40-59页 |
| 4.1 引言 | 第40页 |
| 4.2 信号源数目估计实验 | 第40-42页 |
| 4.3 基于稀疏成分分析的源信号恢复实验 | 第42-57页 |
| 4.3.1 仿真数据实验 | 第42-47页 |
| 4.3.2 实验平台数据实验 | 第47-52页 |
| 4.3.3 真实风场齿轮箱数据实验 | 第52-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第5章 基于SVM概率估计的风机齿轮箱多故障诊断 | 第59-73页 |
| 5.1 引言 | 第59页 |
| 5.2 支持向量机 | 第59-64页 |
| 5.2.1 线性支持向量机 | 第59-62页 |
| 5.2.2 非线性支持向量机 | 第62-63页 |
| 5.2.3 多分类支持向量机 | 第63页 |
| 5.2.4 概率估计 | 第63-64页 |
| 5.3 基于SVM概率估计的风机齿轮箱多故障诊断算法 | 第64-68页 |
| 5.3.1 算法流程 | 第64-65页 |
| 5.3.2 EEMD算法原理 | 第65-66页 |
| 5.3.3 特征提取 | 第66-68页 |
| 5.4 实验验证 | 第68-72页 |
| 5.4.1 仿真数据实验 | 第68-70页 |
| 5.4.2 凯斯西储大学轴承数据实验 | 第70-71页 |
| 5.4.3 实验平台数据实验 | 第71-72页 |
| 5.5 本章小结 | 第72-73页 |
| 第6章 总结和展望 | 第73-75页 |
| 6.1 全文总结 | 第73-74页 |
| 6.2 研究展望 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 攻读硕士学位期间主要的研究成果 | 第80-81页 |
| 致谢 | 第81页 |
