| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-16页 |
| 1.1 论文选题的背景和意义 | 第9-10页 |
| 1.2 故障诊断技术的研究现状 | 第10-14页 |
| 1.2.1 故障诊断的主要理论和方法 | 第10-14页 |
| 1.2.2 粗糙集在故障诊断中的应用 | 第14页 |
| 1.3 论文主要内容与结构安排 | 第14-16页 |
| 2 粗糙集理论基础 | 第16-23页 |
| 2.1 知识与分类 | 第16-18页 |
| 2.1.1 知识与知识库 | 第16页 |
| 2.1.2 不可分辨关系 | 第16-17页 |
| 2.1.3 信息系统 | 第17-18页 |
| 2.2 粗糙集的基本概念和性质 | 第18-21页 |
| 2.2.1 粗糙集的上逼近与下逼近 | 第18-19页 |
| 2.2.2 集合的非确定性精度和粗糙度 | 第19页 |
| 2.2.3 知识的依赖性 | 第19-20页 |
| 2.2.4 离散化 | 第20-21页 |
| 2.3 知识约简 | 第21-23页 |
| 2.3.1 知识的约简与核 | 第21页 |
| 2.3.2 相对知识约简与相对核 | 第21-23页 |
| 3 BP 神经网络和粒子群算法 | 第23-32页 |
| 3.1 人工神经网络简介 | 第23-24页 |
| 3.1.1 人工神经网络的分类和特点 | 第23页 |
| 3.1.2 人工神经网络的结构 | 第23-24页 |
| 3.2 BP 神经网络 | 第24-27页 |
| 3.2.1 BP 神经网络结构 | 第24-25页 |
| 3.2.2 BP 神经网络学习规则 | 第25-26页 |
| 3.2.3 BP 算法的缺点 | 第26-27页 |
| 3.3 粒子群优化算法 | 第27-31页 |
| 3.3.1 粒子群算法的原理及算法流程 | 第27-29页 |
| 3.3.2 标准粒子群优化算法 | 第29-30页 |
| 3.3.3 粒子群优化算法参数的设置 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 4 基于粗糙集的 PSO-BP 神经网络故障诊断研究 | 第32-43页 |
| 4.1 粗糙集与人工神经网络结合的可行性 | 第32页 |
| 4.2 基于粗糙集的 PSO-BP 神经网络故障诊断模型实现 | 第32-42页 |
| 4.2.1 基于自组织映射网络的连续属性离散化 | 第33-37页 |
| 4.2.2 基于差别矩阵改进算法的属性约简 | 第37-40页 |
| 4.2.3 PSO-BP 神经网络的故障诊断方法 | 第40-42页 |
| 4.3 本章小结 | 第42-43页 |
| 5 基于粗糙集和 PSO-BP 神经网络的滚动轴承故障诊断仿真研究 | 第43-66页 |
| 5.1 滚动轴承常见故障及原因 | 第43-44页 |
| 5.1.1 滚动轴承的结构 | 第43页 |
| 5.1.2 滚动轴承故障的基本形式 | 第43-44页 |
| 5.2 基于粗糙集的 PSO-BP 网络模型在滚动轴承故障诊断中的应用 | 第44-64页 |
| 5.2.1 决策信息表的建立 | 第45-49页 |
| 5.2.2 数据准备 | 第49-54页 |
| 5.2.3 属性约简 | 第54-58页 |
| 5.2.4 各试验模型参数选择和实现 | 第58-64页 |
| 5.3 仿真结果对比 | 第64-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论与展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 攻读学位期间的研究成果 | 第71页 |
