| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 课题研究的目的和意义 | 第11-12页 |
| 1.2 故障诊断的发展现状 | 第12-14页 |
| 1.2.1 国外故障诊断发展概况 | 第12-13页 |
| 1.2.2 国内故障诊断发展概况 | 第13页 |
| 1.2.3 故障诊断技术的发展阶段 | 第13-14页 |
| 1.3 故障诊断方法 | 第14-19页 |
| 1.3.1 基于解析模型的诊断方法 | 第14-15页 |
| 1.3.2 基于信号分析和处理的诊断方法 | 第15-17页 |
| 1.3.3 基于知识的诊断方法 | 第17-19页 |
| 1.4 本文主要研究内容 | 第19-20页 |
| 第2章 QPSO算法原理 | 第20-34页 |
| 2.1 PSO优化算法 | 第20-22页 |
| 2.1.1 PSO算法的起源 | 第20-21页 |
| 2.1.2 PSO算法基本原理 | 第21页 |
| 2.1.3 PSO算法流程 | 第21-22页 |
| 2.2 QPSO优化算法 | 第22-33页 |
| 2.2.1 QPSO算法的思想来源 | 第22-23页 |
| 2.2.2 粒子群势阱模型的建立 | 第23-25页 |
| 2.2.3 粒子的进化方程 | 第25-28页 |
| 2.2.4 粒子收敛的条件 | 第28-31页 |
| 2.2.5 算法流程 | 第31-33页 |
| 2.3 QPSO算法与PSO算法的比较 | 第33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 QPSO优化下的小波阈值降噪 | 第34-46页 |
| 3.1 小波滤波的原理 | 第34-41页 |
| 3.1.1 小波函数 | 第34-35页 |
| 3.1.2 小波变换 | 第35-36页 |
| 3.1.3 小波滤波的数学模型 | 第36页 |
| 3.1.4 小波阈值滤波 | 第36-41页 |
| 3.2 QPSO优化小波阈值滤波 | 第41-44页 |
| 3.2.1 GCV算法 | 第41-42页 |
| 3.2.2 优化过程 | 第42-44页 |
| 3.3 仿真分析 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 QSPO算法优化ELMAN神经网络 | 第46-57页 |
| 4.1 人工神经网络 | 第46-51页 |
| 4.1.1 人工神经元模型 | 第46-47页 |
| 4.1.2 转移函数 | 第47-50页 |
| 4.1.3 人工神经的特点与应用 | 第50-51页 |
| 4.2 ELMAN神经网络 | 第51-54页 |
| 4.2.1 Elman神经网络的结构 | 第51-52页 |
| 4.2.2 Elman神经网络使用函数 | 第52-53页 |
| 4.2.3 Elman神经网络权值修正的学习算法 | 第53-54页 |
| 4.3 QPSO优化ELMAN神经网络 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 QPSO优化下的故障诊断方法应用于滚动轴承故障诊断 | 第57-69页 |
| 5.1 滚动轴承实验系统 | 第57-58页 |
| 5.2 基于QPSO优化的小波阈值滤波 | 第58-59页 |
| 5.3 特征值提取 | 第59-64页 |
| 5.4 基于QPSO-ELMAN的滚动轴承故障诊断 | 第64-68页 |
| 5.5 本章小结 | 第68-69页 |
| 工作总结与展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 攻读学位期间发表的学术论文 | 第77页 |