声明
摘要
第一章 绪论
1.1 课题的提出和目的
1.2 齿轮箱故障诊断技术综述
1.2.1 齿轮箱故障诊断技术综述及国内外发展现状
1.2.2 齿轮箱故障诊断技术研究动态
1.2.3 齿轮箱故障诊断技术发展趋势
1.2.4 齿轮箱故障诊断的流程
1.3 小波理论的发展及基于小波分析的齿轮箱故障诊断现状
1.3.1 小波分析及小波包分析理论的发展
1.3.2 小波包故障提取技术研究现状
1.4 支持向量机理论的发展及研究方向
1.4.1 支持向量机的国内外发展概括
1.4.2 支持向量机的研究发展动态
1.5 本文的主要研究内容及结构安排
1.5.1 主要研究内容
1.5.2 论文结构安排
第二章 齿轮箱的故障类型及振动机理
2.1 齿轮箱故障的主要形式
2.2 齿轮的故障类型和振动机理
2.2.1 齿轮的故障类型
2.2.2 齿轮的振动机理
2.3 滚动轴承的故障类型及振动机理
2.3.1 滚动轴承的振动机理
2.3.2 滚动轴承的主要故障模式
2.3.3 滚动轴承的故障特征信息
2.4 本章小结
第三章 齿轮箱模拟故障试验
3.1 数据采集系统的构成
3.1.1 齿轮箱模拟故障试验台装置
3.1.2 振动信号采集装置
3.2 测点布置
3.3 齿轮箱故障模拟
3.4 本章小结
第四章 小波包分析理论及对特征向量的提取
4.1 小波分析
4.1.1 连续小波变换(CWT)
4.1.2 离散小波变换(DWT)
4.1.3 多分辨率分析
4.1.4 正交小波变换
4.2 小波包分析
4.2.1 小波包的定义
4.2.2 小波包的子空间分解
4.2.3 小波包的重构
4.2.4 使用小波包对振动信号画出最优小波包树
4.3 小波包降噪
4.3.1 小波降噪方法
4.3.2 应用小波方法进行信号去噪的仿真分析
4.3.3 故障齿轮箱的小波包去噪分析
4.4 齿轮箱信号能量特征向量的提取
4.4.1 基于小波包的齿轮箱信号提取能量特征向量方法
4.4.2 小波包对齿轮箱故障能量特征向量的提取
4.5 小结
第五章 支持向量机识别方法研究
5.1 支持向量机理论基础
5.1.1 概述
5.1.2 统计学习理论
5.2 支持向量机的基本原理
5.2.1 线性分类问题
5.2.2 近似线性分类问题
5.2.3 非线性分类问题
5.2.4 核函数
5.3 本课题惩罚函数C及核函数的选择
5.3.1 惩罚函数C的选取
5.3.2 核函数的选取
5.4 本章小结
第六章 支持向量机多类故障分类器构建及应用
6.1 多分类支持向量机分类方法
6.1.1 “一对多”算法(One-against-the rest)
6.1.2 “一对一”算法(One-agaisnt-one)
6.1.3 有向无环图支持向量机(Directed Acyclic Graph)
6.1.4 SVM决策树支持向量机(Multi-clalss SVM)
6.2 基于SVM决策树的多类算法的建立
6.2.1 SVM决策树支持向量机的分析
6.2.2 投票理论简介
6.2.3 基于SVM决策树的多分类算法
6.3 基于SVM决策树的多分类算法对齿轮箱能量特征向量的识别
6.4 小结
第七章 结论
7.1 结论
7.2 展望
参考文献
致谢
攻读硕士学位期间发表的论文