摘要 | 第1-7页 |
Abstract | 第7-12页 |
第1章 绪论 | 第12-23页 |
·设备故障诊断技术的研究和意义 | 第12-18页 |
·设备故障诊断的意义 | 第12页 |
·设备故障诊断的内容 | 第12-13页 |
·轴承故障诊断的国内外研究现状 | 第13-18页 |
·轴承故障诊断的发展趋势 | 第18页 |
·粗糙集理论的研究与应用 | 第18-19页 |
·粗糙集理论的研究 | 第18-19页 |
·粗糙集理论的特点 | 第19页 |
·粗糙集与人工神经网络在故障诊断中的应用 | 第19-21页 |
·人工神经网络在故障诊断中的应用 | 第19-20页 |
·粗糙集在故障诊断中的应用 | 第20-21页 |
·粗糙集与人工神经网络相结合的必要性 | 第21页 |
·论文的主要内容 | 第21-23页 |
第2章 滚动轴承及其故障诊断实验系统 | 第23-32页 |
·滚动轴承的典型结构 | 第23页 |
·滚动轴承的失效形式 | 第23-25页 |
·滚动轴承的振动诊断 | 第25-27页 |
·滚动轴承的振动机理 | 第25-27页 |
·滚动轴承的振动测定 | 第27页 |
·滚动轴承故障诊断实验系统 | 第27-30页 |
·实验对象的介绍 | 第28页 |
·实验仪器和软件的选择 | 第28-29页 |
·实验方案的确定 | 第29-30页 |
·滚动轴承故障模拟 | 第30-31页 |
·滚动轴承振动信号的采集 | 第31页 |
·本章小结 | 第31-32页 |
第3章 振动信号分析与特征提取 | 第32-51页 |
·时域特征提取 | 第32-34页 |
·有量纲参数 | 第32页 |
·无量纲参数 | 第32-34页 |
·频域特征提取 | 第34-37页 |
·FFT谱 | 第34-35页 |
·功率谱 | 第35-37页 |
·时频域特征提取 | 第37-49页 |
·Wigner-Ville分布 | 第37页 |
·基于经验的模式分解 | 第37-41页 |
·小波分析 | 第41-45页 |
·小波包分析 | 第45-49页 |
·本章小结 | 第49-51页 |
第4章 粗糙集理论 | 第51-65页 |
·知识与分类 | 第51-52页 |
·知识 | 第51页 |
·知识库 | 第51-52页 |
·不可分辨关系 | 第52页 |
·知识表达系统 | 第52页 |
·粗糙集理论基本概念和性质 | 第52-57页 |
·上、下近似 | 第53-54页 |
·精确集与粗糙集 | 第54页 |
·粗糙集的特征 | 第54-57页 |
·离散化方法 | 第57-58页 |
·无监督算法 | 第57页 |
·有监督算法 | 第57-58页 |
·知识约简 | 第58-60页 |
·知识的约简与核 | 第58-59页 |
·知识的相对约简与相对核 | 第59-60页 |
·属性约简常用算法 | 第60页 |
·粗糙集理论研究现状 | 第60-62页 |
·粗糙集理论数学性质的研究 | 第60-61页 |
·粗糙集理论模型拓展的研究 | 第61页 |
·粗糙集理论有效性算法的研究 | 第61-62页 |
·粗糙集理论与智能分析方法的融合 | 第62页 |
·粗糙集理论应用软件 | 第62-64页 |
·Rough Enough | 第62-63页 |
·ROSE | 第63页 |
·Rosetta | 第63-64页 |
·KDD-R | 第64页 |
·LERS | 第64页 |
·本章小结 | 第64-65页 |
第5章 基于粗糙集和人工神经网络的滚动轴承故障诊断 | 第65-89页 |
·人工神经网络及滚动轴承模式识别 | 第65-75页 |
·人工神经网络概论 | 第65-67页 |
·BP神经网络 | 第67-71页 |
·基于BP神经网络的滚动轴承模式识别 | 第71-75页 |
·总结 | 第75页 |
·粗糙集理论及滚动轴承状态分类 | 第75-80页 |
·粗糙集数据分析和处理 | 第75-79页 |
·粗糙集自学习与分类 | 第79-80页 |
·总结 | 第80页 |
·粗糙集与神经网络相结合的滚动轴承故障诊断 | 第80-88页 |
·粗糙集预处理数据 | 第82-85页 |
·神经网络模式识别 | 第85-88页 |
·本章小结 | 第88-89页 |
结论 | 第89-91页 |
致谢 | 第91-92页 |
参考文献 | 第92-96页 |
攻读硕士研究生期间发表的论文 | 第96页 |