摘要 | 第4-5页 |
abstract | 第5-6页 |
第1章 绪论 | 第9-20页 |
1.1 课题来源 | 第9页 |
1.2 课题研究背景、目的及意义 | 第9-10页 |
1.3 故障诊断技术国内外研究现状 | 第10-12页 |
1.4 信息融合技术 | 第12-17页 |
1.4.1 信息融合的原理和定义 | 第12-13页 |
1.4.2 信息融合的级别 | 第13-16页 |
1.4.3 信息融合技术的国内外研究现状 | 第16-17页 |
1.5 本文主要研究内容及架构安排 | 第17-20页 |
1.5.1 本文主要研究内容 | 第17-18页 |
1.5.2 本文架构安排 | 第18-20页 |
第2章 基于PSO-BP的特征级故障诊断算法 | 第20-35页 |
2.1 BP神经网络 | 第20-24页 |
2.1.1 BP神经网络的基本原理 | 第20-22页 |
2.1.2 BP神经网络在信息融合故障诊断中的应用 | 第22-23页 |
2.1.3 BP神经网络存在的问题 | 第23-24页 |
2.2 粒子群算法 | 第24-25页 |
2.3 基于PSO优化的BP神经网络 | 第25-27页 |
2.4 故障诊断仿真测试及其分析比较 | 第27-34页 |
2.4.1 数据预处理与特征提取 | 第27-29页 |
2.4.2 基于PSO-BP神经网络的立磨滚动轴承的故障诊断 | 第29-34页 |
2.5 本章小结 | 第34-35页 |
第3章 基于LPMCS的D-S决策级故障诊断算法 | 第35-51页 |
3.1 D-S证据理论的基本概念 | 第35-40页 |
3.1.1 D-S证据理论的基本原理 | 第35-37页 |
3.1.2 D-S证据理论存在的问题 | 第37-38页 |
3.1.3 D-S证据理论的改进方法 | 第38-40页 |
3.2 新的证据冲突衡量方法 | 第40-43页 |
3.3 基于LPMCS的D-S融合规则 | 第43-46页 |
3.3.1 证据质量的衡量准则 | 第43-44页 |
3.3.2 基于证据质量的LPMCS集合的生成 | 第44-45页 |
3.3.3 基于LPMCS集合的D-S融合过程 | 第45-46页 |
3.4 实例分析 | 第46-50页 |
3.5 本章小结 | 第50-51页 |
第4章 信息融合技术在立磨滚动轴承故障诊断中的应用 | 第51-61页 |
4.1 基于信息融合技术的立磨滚动轴承故障诊断模型 | 第51-52页 |
4.2 仿真实例与结果分析 | 第52-57页 |
4.2.1 特征级子网诊断 | 第52-54页 |
4.2.2 决策级融合诊断 | 第54-57页 |
4.3 故障诊断系统设计与实现 | 第57-59页 |
4.4 本章小结 | 第59-61页 |
第5章 总结与展望 | 第61-63页 |
5.1 全文工作总结 | 第61-62页 |
5.2 未来工作展望 | 第62-63页 |
致谢 | 第63-64页 |
参考文献 | 第64-68页 |
攻读硕士学位期间的科研成果 | 第68页 |