产线轴承视情维修的研究与应用
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-20页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 机械信号分析研究现状 | 第13-14页 |
| 1.2.2 轴承视情维修技术研究现状 | 第14-17页 |
| 1.3 研究内容及贡献 | 第17-18页 |
| 1.4 论文组织结构 | 第18-20页 |
| 2 理论基础与相关技术 | 第20-34页 |
| 2.1 轴承振动信号分析 | 第20-23页 |
| 2.1.1 经验模态分解方法原理 | 第20-21页 |
| 2.1.2 EMD方法的不足 | 第21-22页 |
| 2.1.3 集合经验模态分解算法 | 第22-23页 |
| 2.2 SOM神经网络聚类模型 | 第23-27页 |
| 2.2.1 SOM神经网络结构 | 第23-24页 |
| 2.2.2 SOM神经网络数学模型 | 第24-25页 |
| 2.2.3 SOM神经网络算法原理 | 第25-27页 |
| 2.3 小波神经网络原理 | 第27-33页 |
| 2.3.1 小波理论 | 第27-30页 |
| 2.3.2 小波神经网络结构 | 第30-31页 |
| 2.3.3 传统小波神经网络算法 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 PSO改进SOM的轴承故障识别算法 | 第34-50页 |
| 3.1 基于PSO算法优化的SOM网络模型 | 第34-37页 |
| 3.1.1 SOM神经网络结构不足 | 第34页 |
| 3.1.2 PSO粒子群优化算法 | 第34-35页 |
| 3.1.3 PSO-SOM算法步骤 | 第35-37页 |
| 3.2 PSO-SOM算法对滚动轴承的故障识别 | 第37-41页 |
| 3.2.1 特征向量的提取 | 第37-39页 |
| 3.2.2 轴承故障分类 | 第39-40页 |
| 3.2.3 轴承故障识别具体步骤 | 第40-41页 |
| 3.3 分类精度检验 | 第41-42页 |
| 3.4 实验分析 | 第42-49页 |
| 3.4.1 实验数据介绍 | 第42-43页 |
| 3.4.2 网络训练 | 第43-46页 |
| 3.4.3 结果分析 | 第46-49页 |
| 3.5 本章小结 | 第49-50页 |
| 4 FA算法改进小波神经网络对滚动轴承的故障预测 | 第50-60页 |
| 4.1 FA算法改进小波神经网络 | 第50-53页 |
| 4.1.1 FA算法简介 | 第50页 |
| 4.1.2 FA算法的数学描述和基本流程 | 第50-51页 |
| 4.1.3 FA算法的改进 | 第51-52页 |
| 4.1.4 FA-小波神经网络算法步骤 | 第52-53页 |
| 4.2 FA-小波神经网络轴承故障预测模型 | 第53-55页 |
| 4.2.1 网络结构 | 第53-54页 |
| 4.2.2 预测模型的基本步骤 | 第54-55页 |
| 4.2.3 预测精度检测 | 第55页 |
| 4.3 实验分析 | 第55-58页 |
| 4.3.1 网络训练 | 第55-57页 |
| 4.3.2 结果分析 | 第57-58页 |
| 4.4 本章小结 | 第58-60页 |
| 5 产线轴承视情维修系统的实现 | 第60-69页 |
| 5.1 视情维修管理系统总体结构 | 第60-61页 |
| 5.2 数据处理模块 | 第61-63页 |
| 5.2.1 数据存储 | 第61-62页 |
| 5.2.2 提取特征向量 | 第62-63页 |
| 5.3 故障预测模型模块 | 第63-65页 |
| 5.3.1 故障识别算法实现 | 第63-64页 |
| 5.3.2 特征值预测算法实现 | 第64-65页 |
| 5.4 维修管理模块 | 第65-66页 |
| 5.5 系统界面展示 | 第66-68页 |
| 5.6 本章小结 | 第68-69页 |
| 6 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第74-76页 |
| 学位论文数据集 | 第76页 |
