| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课程研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 电机轴承故障诊断的研究现状 | 第9-10页 |
| 1.2.2 粒子群优化算法的研究现状 | 第10-11页 |
| 1.3 论文的主要工作及章节安排 | 第11页 |
| 本章小结 | 第11-12页 |
| 第二章 基本方法 | 第12-21页 |
| 2.1 经验模态分解 | 第12页 |
| 2.2 模糊熵 | 第12-13页 |
| 2.3 支持向量机 | 第13-17页 |
| 2.3.1 线性可分问题 | 第14-16页 |
| 2.3.2 线性不可分问题 | 第16页 |
| 2.3.3 非线性支持向量机 | 第16-17页 |
| 2.4 粒子群优化算法 | 第17-20页 |
| 2.4.1 粒子群优化算法的原理 | 第17-18页 |
| 2.4.2 粒子群优化算法流程 | 第18-19页 |
| 2.4.3 标准粒子群优化算法参数分析 | 第19-20页 |
| 2.4.4 粒子群优化算法的优点与不足 | 第20页 |
| 本章小结 | 第20-21页 |
| 第三章 电机轴承故障诊断模型 | 第21-31页 |
| 3.1 故障诊断模型及流程 | 第21-22页 |
| 3.2 故障特征提取 | 第22-30页 |
| 3.2.1 实验数据 | 第22-24页 |
| 3.2.2 基于EMD的振动信号分解 | 第24-26页 |
| 3.2.3 基于模糊熵的电机轴承故障特征提取 | 第26-28页 |
| 3.2.4 归一化处理 | 第28-30页 |
| 本章小结 | 第30-31页 |
| 第四章 基于粒子群算法优化支持向量机的电机轴承故障诊断 | 第31-36页 |
| 4.1 支持向量机核函数的选择 | 第31页 |
| 4.2 支持向量机参数优化思想 | 第31-33页 |
| 4.3 粒子群算法优化支持向量机参数的流程 | 第33-34页 |
| 4.4 故障诊断结果与分析 | 第34-35页 |
| 本章小结 | 第35-36页 |
| 第五章 基于改进PSO算法优化SVM的电机轴承故障诊断 | 第36-56页 |
| 5.1 学习因子的改进 | 第36-38页 |
| 5.2 惯性权重的改进 | 第38-39页 |
| 5.3 自适应粒子变异策略 | 第39页 |
| 5.4 故障诊断结果 | 第39-50页 |
| 5.5 结果分析与比较 | 第50-55页 |
| 本章小结 | 第55-56页 |
| 总结与展望 | 第56-57页 |
| 总结 | 第56页 |
| 展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间参加的项目和发表的学术论文 | 第60-61页 |
| 致谢 | 第61页 |