基于粒子群优化与支持向量机的齿轮箱故障诊断研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-17页 |
| ·课题研究的背景和意义 | 第9-10页 |
| ·齿轮箱故障诊断的研究现状及发展 | 第10-13页 |
| ·齿轮箱故障诊断的特点 | 第10页 |
| ·故障诊断的国内外现状 | 第10-11页 |
| ·故障诊断技术的研究内容 | 第11-12页 |
| ·齿轮箱故障诊断技术现状 | 第12页 |
| ·齿轮箱故障诊断技术的发展趋势 | 第12-13页 |
| ·粒子群算法的研究现状 | 第13-14页 |
| ·支持向量机的研究现状 | 第14-15页 |
| ·论文研究的主要内容 | 第15-17页 |
| 2 齿轮箱故障诊断 | 第17-30页 |
| ·齿轮振动机理及失效形式 | 第17-20页 |
| ·齿轮振动的机理分析 | 第17-18页 |
| ·齿轮的失效形式 | 第18-20页 |
| ·轴承振动机理及失效形式 | 第20-22页 |
| ·轴承振动的机理分析 | 第20页 |
| ·滚动轴承振动的频谱结构 | 第20-21页 |
| ·滚动轴承的失效形式 | 第21-22页 |
| ·振动信号机理及分析方法 | 第22-25页 |
| ·振动信号及调制机理 | 第22-23页 |
| ·传统信号特征提取方法 | 第23-25页 |
| ·振动信号的时频域指标 | 第25-29页 |
| ·时域指标 | 第25-28页 |
| ·频域指标 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 3 粒子群优化算法理论 | 第30-42页 |
| ·最优化问题 | 第30-32页 |
| ·最优化简介 | 第30页 |
| ·最优化问题的分类 | 第30-31页 |
| ·无免费午餐定理 | 第31-32页 |
| ·粒子群算法发展 | 第32-37页 |
| ·粒子群算法的研究背景 | 第32-33页 |
| ·基本粒子群算法 | 第33-34页 |
| ·标准粒子群算法 | 第34-36页 |
| ·算法的拓扑结构 | 第36-37页 |
| ·算法的收敛性分析和参数选取 | 第37-39页 |
| ·算法的收敛性分析 | 第37-38页 |
| ·粒子群算法的参数选择 | 第38-39页 |
| ·仿真分析 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 4 支持向量机理论 | 第42-55页 |
| ·机器学习问题 | 第42-44页 |
| ·机器学习的模型 | 第42-43页 |
| ·经验风险最小化 | 第43-44页 |
| ·统计学习理论 | 第44-46页 |
| ·VC维理论 | 第44-45页 |
| ·推广性的界 | 第45页 |
| ·结构风险最小化 | 第45-46页 |
| ·支持向量分类机 | 第46-51页 |
| ·最优分类面 | 第46-47页 |
| ·支持向量机的分类 | 第47-49页 |
| ·支持向量机的模型选择 | 第49-50页 |
| ·常用核函数 | 第50-51页 |
| ·多类分类问题 | 第51-53页 |
| ·二值分类器组合 | 第51-52页 |
| ·全局优化分类 | 第52-53页 |
| ·仿真分析 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 5 齿轮箱故障试验设计 | 第55-61页 |
| ·齿轮箱的结构 | 第55-56页 |
| ·试验仪器设备 | 第56-57页 |
| ·试验设计方案 | 第57-59页 |
| ·齿轮和轴承参数 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 6 支持向量机在故障诊断中的应用 | 第61-68页 |
| ·振动信号的特征提取 | 第61-64页 |
| ·信号的预处理 | 第61页 |
| ·故障的特征提取 | 第61-63页 |
| ·归一化处理 | 第63-64页 |
| ·基于PSO算法的SVM参数优化 | 第64-65页 |
| ·试验验证 | 第65-67页 |
| ·二分类故障诊断 | 第65-66页 |
| ·多分类故障诊断 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 7 总结与展望 | 第68-70页 |
| ·总结 | 第68页 |
| ·展望 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士学位期间发表的论文 | 第75-76页 |
| 致谢 | 第76页 |
