基于SVM的齿轮箱故障智能诊断技术研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-17页 |
| ·课题研究背景及意义 | 第11-13页 |
| ·课题来源 | 第11页 |
| ·课题研究背景 | 第11-12页 |
| ·课题研究意义 | 第12-13页 |
| ·故障诊断技术国内外研究概况 | 第13-15页 |
| ·论文主要研究内容与结构安排 | 第15-17页 |
| ·主要研究内容 | 第15页 |
| ·论文结构安排 | 第15-17页 |
| 第二章 齿轮箱故障诊断基础 | 第17-29页 |
| ·齿轮故障诊断基础 | 第17-23页 |
| ·齿轮常见失效形式及原因 | 第18-19页 |
| ·齿轮振动机理及振动特征频率 | 第19-23页 |
| ·滚动轴承故障诊断基础 | 第23-27页 |
| ·滚动轴承常见失效形式及原因 | 第23-25页 |
| ·滚动轴承振动机理及振动特征频率 | 第25-27页 |
| ·齿轮箱故障诊断方法 | 第27-28页 |
| ·齿轮故障振动诊断方法 | 第27-28页 |
| ·滚动轴承故障振动诊断方法 | 第28页 |
| ·本章小结 | 第28-29页 |
| 第三章 基于谱峭度的包络特征提取 | 第29-45页 |
| ·谱峭度理论与定义 | 第29-30页 |
| ·基于小波变换的谱峭度计算 | 第30-32页 |
| ·小波变换 | 第30-31页 |
| ·复平移Morlet小波 | 第31页 |
| ·基于复平移Morlet小波的谱峭度计算 | 第31-32页 |
| ·谱峭度快速计算方法 | 第32-34页 |
| ·基于谱峭度的包络分析 | 第34-39页 |
| ·基于AR模型的冲击振动增强 | 第35页 |
| ·包络分析 | 第35-36页 |
| ·基于谱峭度的包络分析算法 | 第36-39页 |
| ·故障特征参数的提取 | 第39页 |
| ·仿真实验验证 | 第39-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 基于SVM的故障智能诊断技术研究 | 第45-61页 |
| ·机器学习问题的描述 | 第46-49页 |
| ·机器学习模型 | 第46-47页 |
| ·主要的学习问题 | 第47页 |
| ·经验风险最小化原则 | 第47-48页 |
| ·复杂性与推广能力 | 第48-49页 |
| ·统计学习理论 | 第49-53页 |
| ·学习过程的一致性理论 | 第49-50页 |
| ·VC维 | 第50-51页 |
| ·推广性的界 | 第51-52页 |
| ·结构风险最小化原则 | 第52-53页 |
| ·支持向量机 | 第53-57页 |
| ·SVM的基本原理 | 第53-54页 |
| ·最优超平面 | 第54-55页 |
| ·SVM的几何解释 | 第55-56页 |
| ·核函数 | 第56-57页 |
| ·遗传算法 | 第57-58页 |
| ·基于GA的改进SVM算法 | 第58-60页 |
| ·本章小结 | 第60-61页 |
| 第五章 试验研究及结果分析 | 第61-83页 |
| ·仿真试验 | 第61-68页 |
| ·实测试验方案设计 | 第68-69页 |
| ·实测试验过程 | 第69-82页 |
| ·试验设备 | 第69-70页 |
| ·传感器标定 | 第70-72页 |
| ·传感器安装 | 第72-73页 |
| ·数据采集 | 第73页 |
| ·试验数据分析 | 第73-79页 |
| ·与PSO参数寻优方法的比较 | 第79-82页 |
| ·本章小结 | 第82-83页 |
| 第六章 结论与展望 | 第83-85页 |
| ·研究结论 | 第83-84页 |
| ·存在的不足与展望 | 第84-85页 |
| ·存在的主要问题 | 第84页 |
| ·展望 | 第84-85页 |
| 致谢 | 第85-87页 |
| 参考文献 | 第87-91页 |
