基于遗传神经网络的故障诊断算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-18页 |
| ·论文研究背景和意义 | 第10-11页 |
| ·故障诊断的国内外研究现状 | 第11-14页 |
| ·现代常用的故障诊断方法 | 第11-13页 |
| ·机械故障诊断技术的发展历程 | 第13-14页 |
| ·滚动轴承常见的故障类型 | 第14-15页 |
| ·论文的主要研究内容和结构 | 第15-18页 |
| ·论文的主要研究工作 | 第15-16页 |
| ·论文的组织结构 | 第16-18页 |
| 第2章 基于数据驱动的故障诊断方法 | 第18-31页 |
| ·粗糙集理论 | 第18-21页 |
| ·粗糙集理论的相关概念 | 第18-20页 |
| ·常用的属性约简算法 | 第20-21页 |
| ·BP 神经网络 | 第21-26页 |
| ·BP 神经网络结构 | 第22-23页 |
| ·BP 算法的步骤 | 第23-25页 |
| ·BP 神经网络的性能分析 | 第25-26页 |
| ·遗传算法 | 第26-29页 |
| ·遗传算法的基本理论 | 第26-27页 |
| ·遗传算法的基本描述 | 第27-29页 |
| ·遗传算法的优点及不足 | 第29页 |
| ·本章小结 | 第29-31页 |
| 第3章 基于灰色粗糙集的二阶段数据预处理 | 第31-42页 |
| ·基于灰色粗糙集的二阶段数据预处理算法 | 第31-35页 |
| ·关联度分析方法的基本理论 | 第31-33页 |
| ·两阶段数据预处理算法流程 | 第33-34页 |
| ·算法有效性验证 | 第34-35页 |
| ·故障诊断中特征参数的选取 | 第35-38页 |
| ·故障特征参数选取的原则 | 第36页 |
| ·时域特征参数 | 第36-37页 |
| ·时域特征参数 | 第37-38页 |
| ·提取滚动轴承故障属性的仿真实验 | 第38-40页 |
| ·仿真实验的故障数据 | 第38-39页 |
| ·属性约简的实验过程 | 第39-40页 |
| ·本章小结 | 第40-42页 |
| 第4章 一种改进的遗传神经网络的故障诊断模型 | 第42-56页 |
| ·遗传算法与 BP 神经网络（GA-BP）的结合 | 第42-44页 |
| ·GA-BP 结合的可行性分析 | 第42-43页 |
| ·遗传算法与神经网络的结合方式 | 第43-44页 |
| ·学习算子的设计与改进 | 第44-49页 |
| ·GA-BP 编码方式 | 第44-45页 |
| ·适应度函数的设计 | 第45-46页 |
| ·选择算子的设计 | 第46-47页 |
| ·交叉算子的设计 | 第47-48页 |
| ·变异算子的设计 | 第48-49页 |
| ·改进的遗传神经网络故障诊断算法 | 第49-51页 |
| ·改进算法的基本思想 | 第50页 |
| ·诊断算法的基本流程 | 第50-51页 |
| ·故障诊断的仿真实验 | 第51-55页 |
| ·仿真实验环境设置 | 第51-52页 |
| ·对比试验及性能分析 | 第52-55页 |
| ·本章总结 | 第55-56页 |
| 第5章 一种改进的免疫遗传神经网络的故障诊断模型 | 第56-70页 |
| ·免疫系统概述 | 第56-59页 |
| ·免疫系统 | 第56-57页 |
| ·IGA 的基本原理 | 第57-58页 |
| ·IGA 的基本步骤 | 第58-59页 |
| ·改进的免疫遗传神经网络故障诊断算法 | 第59-66页 |
| ·对控制参数的自适应调制 | 第59-62页 |
| ·改进的抗体相似度计算方法 | 第62-64页 |
| ·改进的交叉组合系数 | 第64-65页 |
| ·算法流程图 | 第65-66页 |
| ·故障诊断的仿真实验 | 第66-68页 |
| ·本章小结 | 第68-70页 |
| 第6章 总结和展望 | 第70-72页 |
| ·总结 | 第70-71页 |
| ·展望 | 第71-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 攻读学位期间发表的学术论文及参加科研情况 | 第78-79页 |
