| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-26页 |
| 1.1 选题背景及意义 | 第12-17页 |
| 1.1.1 选题的背景 | 第12-16页 |
| 1.1.2 选题的意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.2.1 国外研究现状 | 第17-18页 |
| 1.2.2 国内研究现状 | 第18-19页 |
| 1.3 风机结构原理与齿轮箱故障类型 | 第19-23页 |
| 1.3.1 风机结构原理 | 第19-21页 |
| 1.3.2 齿轮箱故障类型 | 第21-23页 |
| 1.4 论文主要内容与章节安排 | 第23-26页 |
| 第二章 风机齿轮箱故障诊断技术的原理及方法 | 第26-40页 |
| 2.1 齿轮箱故障诊断技术概述 | 第26-27页 |
| 2.2 齿轮箱故障诊断技术流程 | 第27-30页 |
| 2.2.1 故障诊断的前期工作 | 第27-29页 |
| 2.2.2 振动诊断系统的流程框架 | 第29-30页 |
| 2.3 振动信号的处理及特征提取 | 第30-31页 |
| 2.4 振动信号特征指标 | 第31-34页 |
| 2.4.1 量纲指标 | 第31-32页 |
| 2.4.2 无量纲指标 | 第32-34页 |
| 2.5 特征量归一化 | 第34-36页 |
| 2.5.1 零均值归一化 | 第34-35页 |
| 2.5.2 线性函数归一化 | 第35-36页 |
| 2.6 参数的降维 | 第36-38页 |
| 2.7 本章小结 | 第38-40页 |
| 第三章 基于遗传算法改进优化的阴性选择算法的研究 | 第40-62页 |
| 3.1 生物免疫系统 | 第40-41页 |
| 3.2 人工免疫系统 | 第41-42页 |
| 3.3 阴性选择算法 | 第42-53页 |
| 3.3.1 阴性选择算法原理 | 第42-45页 |
| 3.3.2 实值阴性选择算法 | 第45-48页 |
| 3.3.3 V-detector阴性选择算法 | 第48-50页 |
| 3.3.4 仿真实验及结果 | 第50-53页 |
| 3.4 基于精英遗传算法优化的V-detector阴性选择算法 | 第53-61页 |
| 3.4.1 遗传算法 | 第53页 |
| 3.4.2 基于精英策略改进的遗传算法 | 第53-54页 |
| 3.4.3 V-detector阴性选择算法的优化 | 第54-57页 |
| 3.4.4 仿真实验及结果 | 第57-61页 |
| 3.5 本章小结 | 第61-62页 |
| 第四章 基于信息熵和可信度的证据理论研究 | 第62-74页 |
| 4.1 证据理论的理论基础 | 第62-66页 |
| 4.1.1 证据理论的概念与定义 | 第62-64页 |
| 4.1.2 证据理论的组合规则 | 第64-65页 |
| 4.1.3 证据理论的决策准则 | 第65-66页 |
| 4.2 基于加权思想的证据理论 | 第66-69页 |
| 4.2.1 改进的冲突权重分配方法 | 第66-68页 |
| 4.2.2 基于加权修改的证据合成 | 第68-69页 |
| 4.3 改进方法的算例分析 | 第69-72页 |
| 4.4 本章小结 | 第72-74页 |
| 第五章 人工免疫和证据理论集成方法在齿轮箱故障诊断中的应用 | 第74-86页 |
| 5.1 集成方法的故障诊断模型 | 第74-76页 |
| 5.2 实验数据处理 | 第76-77页 |
| 5.2.1 无量纲指标的提取 | 第76页 |
| 5.2.2 无量纲指标的降维 | 第76-77页 |
| 5.3 仿真验证 | 第77-83页 |
| 5.3.1 基于改进V-detector阴性选择算法的齿轮箱状态监测 | 第77-82页 |
| 5.3.2 基于改进证据理论的齿轮箱故障类型识别 | 第82-83页 |
| 5.4 本章小结 | 第83-86页 |
| 第六章 总结与展望 | 第86-88页 |
| 6.1 总结 | 第86-87页 |
| 6.2 展望 | 第87-88页 |
| 参考文献 | 第88-94页 |
| 致谢 | 第94-96页 |
| 攻读硕士学位期间取得的研究成果 | 第96页 |
