| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题的背景及意义 | 第10页 |
| 1.2 滚动轴承的故障诊断方法 | 第10-12页 |
| 1.3 国内外研究进展及现状 | 第12-14页 |
| 1.4 本论文的主要研究内容及结构安排 | 第14-16页 |
| 第二章 机车走行部滚动轴承故障特征分析 | 第16-28页 |
| 2.1 机车走行部滚动轴承的结构及振动 | 第16-18页 |
| 2.1.1 机车走行部 | 第16页 |
| 2.1.2 滚动轴承的结构及参数 | 第16-18页 |
| 2.1.3 滚动轴承的振动 | 第18页 |
| 2.2 滚动轴承的故障分类及机理 | 第18-21页 |
| 2.2.1 机车走行部滚动轴承故障分类 | 第18-21页 |
| 2.2.2 机车走行部滚动轴承故障产生机理 | 第21页 |
| 2.3 滚动轴承故障诊断的步骤及方法 | 第21-23页 |
| 2.3.1 滚动轴承状态诊断的性能指标 | 第22页 |
| 2.3.2 滚动轴承的故障诊断方法 | 第22-23页 |
| 2.4 滚动轴承故障诊断常用参数 | 第23-25页 |
| 2.4.1 时域有量纲特征参数 | 第23-24页 |
| 2.4.2 时域无量纲特征参数 | 第24-25页 |
| 2.5 振动信号特征提取常用方法介绍 | 第25-26页 |
| 2.6 本章小结 | 第26-28页 |
| 第三章 滚动轴承故障诊断基础研究 | 第28-42页 |
| 3.1 小波包基础介绍 | 第28-32页 |
| 3.1.1 小波包分解和重构 | 第29页 |
| 3.1.2 小波包的频率混淆 | 第29-30页 |
| 3.1.3 基于小波包能量的特征提取 | 第30页 |
| 3.1.4 常用小波基函数介绍 | 第30-32页 |
| 3.2 人工神经网络介绍 | 第32-37页 |
| 3.2.1 大脑神经元的基本组成 | 第33页 |
| 3.2.2 神经元模型 | 第33-34页 |
| 3.2.3 基函数及激活函数类型 | 第34-36页 |
| 3.2.4 人工神经网络结构 | 第36-37页 |
| 3.3 BP算法 | 第37-40页 |
| 3.3.1 BP网络结构 | 第37-38页 |
| 3.3.2 BP学习算法及其改进 | 第38-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第四章 基于小波包分解和神经网络的滚动轴承故障诊断 | 第42-56页 |
| 4.1 振动信号的预处理 | 第42-45页 |
| 4.1.1 实验数据来源 | 第42页 |
| 4.1.2 小波降噪的原理及步骤 | 第42-43页 |
| 4.1.3 振动信号的采集 | 第43-45页 |
| 4.2 基于小波包的故障特征参数提取 | 第45-49页 |
| 4.3 小波包分解层数的确定 | 第49-51页 |
| 4.4 基于BP神经网络的轴承故障诊断 | 第51-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 粗糙集在机车滚动轴承故障诊断中的应用 | 第56-70页 |
| 5.1 粗糙集基础 | 第56-59页 |
| 5.1.1 知识的含义及其依赖性 | 第56-57页 |
| 5.1.2 信息系统与决策表 | 第57页 |
| 5.1.3 知识的约简 | 第57-59页 |
| 5.2 粗糙集的实际应用 | 第59-61页 |
| 5.2.1 粗糙集和神经网络混合系统介绍 | 第59-60页 |
| 5.2.2 基于粗糙集-神经网络的故障诊断的流程 | 第60-61页 |
| 5.3 连续属性的离散化及约简 | 第61-63页 |
| 5.3.1 离散化的必要性及其方法 | 第61-62页 |
| 5.3.2 分块约简的可行性分析 | 第62页 |
| 5.3.3 分块约简的时间复杂度 | 第62-63页 |
| 5.4 用粗糙集-BP神经网络实现滚动轴承故障诊断 | 第63-69页 |
| 5.4.1 故障诊断信息决策表的建立及其离散化 | 第63-64页 |
| 5.4.2 信息表的约简及求核 | 第64-67页 |
| 5.4.3 粗糙集优化后的BP神经网络故障诊断 | 第67-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第六章 总结与期望 | 第70-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 攻读硕士学位期间发表的论文 | 第79页 |