本书研究行星齿轮箱振动信号特征提取与故障诊断方法。全书以变分模态分解、同步压缩广义S变换、深度学习、流形学习和集成学习等理论为主要技术手段，从行星齿轮箱振动信号的降噪、多域联合特征提取、特征融合降维和故障分类等方面进行了深入研究，分别提出基于量子高斯混合模型的振动信号降噪方法，基于VMD的多尺度模糊熵特征参数提取方法，基于同步压缩广义S变换时频谱的CSLBP特征参数和2DNMF特征参数的提取方法；综合以上几种方法，本书为行星齿轮箱的振动信号处理和故障诊断提供全新的技术方法并给予试验验证。

陈彦龙，四川资阳人，男，1987年出生，讲师（博士），主要研究方向为人工智能与故障诊断；负责1项军队级课题、参与1项陆军级课题，负责和参与10余项学院课题；出版专著《基于量子理论的滚动轴承振动信号降噪方法研究》，发表论文30余篇。

第一章
绪论
第一节 研究背景
第二节 研究意义
第三节 国内外研究现状
第四节 主要研究内容
第二章
行星齿轮箱振动信号采集与降噪处理方法研究
第一节 行星齿轮箱振动信号的采集
第二节 基于量子高斯混合模型的振动信号降噪方法
第三节 行星齿轮箱振动信号的量子高斯混合模型降噪
本章小结
第三章
基于变分模态分解的振动信号非线性动力学特征参数提取方法研究
第一节 变分模态分解
第二节 基于VMD的振动信号多尺度模糊熵特征参数提取
第三节 基于VMD的振动信号双标度分形维数特征参数提取
本章小结
第四章
基于同步压缩广义S变换时频谱的振动信号特征提取方法研究
第一节 广义S变换理论
第二节 同步压缩广义S变换
第三节 基于同步压缩广义S变换时频谱的CSLBP特征提取
第四节 基于同步压缩广义S变换时频谱的2DNMF特征提取
本章小结
第五章
基于深度学习的振动信号特征提取方法研究
第一节 引入自适应学习率的深度信念网络模型
第二节 自适应学习率深度信念网络模型的性能分析
第三节 基于深度学习的振动信号特征提取
本章小结
第六章
基于流形学习降维和集成学习的多特征融合故障诊断策略研究
第一节 改进半监督局部保持投影的流形学习算法
第二节 基于改进半监督局部保持投影的振动信号特征降维
第三节 基于集成学习的分类优化策略研究
第四节 集成学习分类优化策略在行星齿轮箱故障诊断中的应用
本章小结
第七章
结束语
第一节 主要工作及结论
第二节 创新点
第三节 研究工作展望
参考文献