| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究的背景和意义 | 第7-8页 |
| 1.2 综述与国内外发展现状 | 第8-11页 |
| 1.2.1 机械故障诊断概要 | 第8-10页 |
| 1.2.2 离心式压缩机故障诊断的国内外研究现状 | 第10-11页 |
| 1.3 主要研究内容、技术路线和创新点 | 第11-12页 |
| 1.3.1 研究内容 | 第11-12页 |
| 1.3.2 技术路线 | 第12页 |
| 1.3.3 创新点 | 第12页 |
| 1.4 章节安排 | 第12-13页 |
| 第二章 离心式压缩机故障诊断方法 | 第13-17页 |
| 2.1 离心式压缩机的主要故障类型 | 第13-14页 |
| 2.2 离心式压缩机的故障诊断方法 | 第14-16页 |
| 2.2.1 数据收集 | 第14-15页 |
| 2.2.2 数据分析处理 | 第15页 |
| 2.2.3 故障诊断 | 第15-16页 |
| 2.2.4 决策干预 | 第16页 |
| 2.3 本章小结 | 第16-17页 |
| 第三章 蚁群算法 | 第17-26页 |
| 3.1 蚁群算法概要 | 第17-18页 |
| 3.1.1 蚁群算法的研究现状和发展前景 | 第17-18页 |
| 3.1.2 蚁群算法在机械故障诊断模式识别中的优势 | 第18页 |
| 3.1.3 蚁群算法在机械故障诊断中的应用 | 第18页 |
| 3.2 蚁群算法基本概念 | 第18-20页 |
| 3.3 蚁群算法基本模型 | 第20-23页 |
| 3.3.1 蚁密系统和蚁量系统 | 第21-22页 |
| 3.3.2 蚁周系统 | 第22-23页 |
| 3.4 蚁群聚类算法 | 第23-25页 |
| 3.5 本章小结 | 第25-26页 |
| 第四章 基于蚁群算法的机械故障诊断实验验证及特性对比 | 第26-51页 |
| 4.1 实验简介 | 第26-28页 |
| 4.2 基于时域分析的蚁群算法滚动轴承故障诊断实验验证 | 第28-36页 |
| 4.2.1 时域特征分析 | 第28-31页 |
| 4.2.2 蚁群的训练 | 第31-32页 |
| 4.2.3 诊断结果验证 | 第32-36页 |
| 4.3 基于频域分析的蚁群算法滚动轴承故障诊断实验验证 | 第36-45页 |
| 4.3.1 频域特征分析 | 第36-39页 |
| 4.3.2 蚁群的训练 | 第39-40页 |
| 4.3.3 诊断结果验证 | 第40-45页 |
| 4.4 蚁群算法和BP神经网络在滚动轴承故障诊断中的特性对比 | 第45-49页 |
| 4.4.1 BP神经网络简介 | 第45-46页 |
| 4.4.2 基于BP神经网络的滚动轴承故障诊断 | 第46-49页 |
| 4.4.3 蚁群算法与BP神经网络轴承故障诊断结果对比分析 | 第49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 蚁群算法在离心式压缩机故障诊断中的应用 | 第51-62页 |
| 5.1 基于时域分析的蚁群算法在离心式压缩机故障诊断中的应用研究 | 第51-56页 |
| 5.1.1 时域特征分析 | 第51-52页 |
| 5.1.2 蚁群的训练 | 第52-53页 |
| 5.1.3 诊断结果验证 | 第53-56页 |
| 5.2 基于频域分析的蚁群算法在离心式压缩机故障诊断中的应用研究 | 第56-61页 |
| 5.2.1 频域特征分析 | 第56-58页 |
| 5.2.2 蚁群的训练 | 第58页 |
| 5.2.3 诊断结果验证 | 第58-61页 |
| 5.3 本章小结 | 第61-62页 |
| 第六章 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 附录 | 第68-79页 |
| 硕士期间发表论文 | 第79-80页 |
