高速列车自动化生产线智能监测技术—滚动轴承故障诊断方法的研究与实现
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 故障诊断方法研究现状 | 第15页 |
| 1.2.2 国外研究现状 | 第15-16页 |
| 1.2.3 国内研究现状 | 第16-17页 |
| 1.3 本文主要的研究内容 | 第17-18页 |
| 1.4 论文的组织结构 | 第18-19页 |
| 2 滚动轴承故障诊断的相关理论与技术 | 第19-31页 |
| 2.1 滚动轴承基本介绍 | 第19-20页 |
| 2.2 滚动轴承故障原理分析 | 第20-22页 |
| 2.3 神经网络的基本理论 | 第22-30页 |
| 2.3.1 神经网络的基本概念 | 第22-24页 |
| 2.3.2 激活函数 | 第24-27页 |
| 2.3.3 前馈神经网络的简介 | 第27-28页 |
| 2.3.4 BP算法 | 第28-30页 |
| 2.4 神经网络用于故障诊断的缺点 | 第30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 故障特征量分析与提取 | 第31-44页 |
| 3.1 轴承原始数据分析 | 第31-32页 |
| 3.2 时域特征分析 | 第32-39页 |
| 3.3 频域特征分析 | 第39-42页 |
| 3.4 PCA降维 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 4 基于改进遗传神经网络故障诊断模型 | 第44-56页 |
| 4.1 遗传算法基本介绍 | 第44-49页 |
| 4.1.1 遗传算法的概述 | 第44-45页 |
| 4.1.2 遗传算法的步骤 | 第45-47页 |
| 4.1.3 编码方法 | 第47页 |
| 4.1.4 适应度函数 | 第47页 |
| 4.1.5 遗传操作介绍 | 第47-49页 |
| 4.1.6 遗传算法的优缺点 | 第49页 |
| 4.2 遗传算法改进 | 第49-53页 |
| 4.2.1 结合适应度信息和多子的交叉操作 | 第49-50页 |
| 4.2.2 改进变异操作 | 第50-51页 |
| 4.2.3 适应度函数的改进 | 第51-52页 |
| 4.2.4 优化遗传交叉和变异概率 | 第52-53页 |
| 4.3 IGA-NN算法 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5 故障诊断模型的实现与分析 | 第56-73页 |
| 5.1 故障诊断模型流程设计 | 第56-57页 |
| 5.2 数据预处理 | 第57-59页 |
| 5.2.1 轴承数据介绍 | 第57-58页 |
| 5.2.2 提取特征量样本并降维 | 第58-59页 |
| 5.3 基于IGA-NN的故障诊断模型实现 | 第59-64页 |
| 5.3.1 确定神经网络结构 | 第59-61页 |
| 5.3.2 遗传算法实现 | 第61-63页 |
| 5.3.3 隐层节点数和种群数量的确定 | 第63页 |
| 5.3.4 遗传算法改进点有效性验证 | 第63-64页 |
| 5.4 实验与结果分析 | 第64-72页 |
| 5.4.1 样本训练结果收敛性分析 | 第64-67页 |
| 5.4.2 样本测试结果分析 | 第67-72页 |
| 5.5 本章小结 | 第72-73页 |
| 6 总结与展望 | 第73-75页 |
| 6.1 本文工作总结 | 第73页 |
| 6.2 未来工作展望 | 第73-75页 |
| 参考文献 | 第75-77页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第77-79页 |
| 学位论文数据集 | 第79页 |
