| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 论文背景及意义 | 第12-16页 |
| 1.1.1 列车滚动轴承概述 | 第13-14页 |
| 1.1.2 列车滚动轴承故障诊断方法概述 | 第14-16页 |
| 1.2 轴承故障诊断方法的国内外研究现状 | 第16-18页 |
| 1.2.1 国外研究现状 | 第16-17页 |
| 1.2.2 国内研究现状 | 第17-18页 |
| 1.3 面临的关键问题 | 第18页 |
| 1.4 论文主要内容与结构 | 第18-20页 |
| 1.4.1 论文研究主要内容 | 第18-19页 |
| 1.4.2 论文结构安排 | 第19-20页 |
| 1.5 本章小结 | 第20-22页 |
| 第二章 滚动轴承振动信号特征提取 | 第22-32页 |
| 2.1 引言 | 第22页 |
| 2.2 故障诊断原理 | 第22-23页 |
| 2.3 EMD特征提取方法 | 第23页 |
| 2.4 小波包分解特征提取方法 | 第23-25页 |
| 2.4.1 小波分解方法 | 第23-24页 |
| 2.4.2 小波包分解方法 | 第24-25页 |
| 2.5 小波包分解滚动轴承特征提取结果分析 | 第25-30页 |
| 2.5.1 实验数据介绍 | 第25-26页 |
| 2.5.2 小波包分解频带 | 第26-28页 |
| 2.5.3 滚动轴承故障特征提取结果分析 | 第28-30页 |
| 2.6 本章小结 | 第30-32页 |
| 第三章 基于IGA优化BP的滚动轴承故障诊断研究 | 第32-46页 |
| 3.1 引言 | 第32页 |
| 3.2 BP神经网络原理 | 第32-36页 |
| 3.2.1 BP神经网络 | 第32-35页 |
| 3.2.2 Levenberg-Marquardt优化BP | 第35-36页 |
| 3.2.3 归一化处理 | 第36页 |
| 3.2.4 交叉验证 | 第36页 |
| 3.3 基于BP神经网络轴承特征信号分析 | 第36-39页 |
| 3.3.1 基于传统梯度下降法BP实验结果 | 第36-37页 |
| 3.3.2 基于LM-BP实验结果 | 第37-39页 |
| 3.4 基于GA优化BP神经网络模型 | 第39-45页 |
| 3.4.1 遗传算法基本概念 | 第39-41页 |
| 3.4.2 改进遗传算法选择算子 | 第41-42页 |
| 3.4.3 GA优化BP神经网络 | 第42-44页 |
| 3.4.4 改进GA优化BP神经网络的权值和阈值 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于H-ELM滚动轴承故障诊断研究 | 第46-58页 |
| 4.1 极限学习机原理 | 第46-49页 |
| 4.2 分层极限学习机 | 第49-55页 |
| 4.2.1 自动编码器 | 第49-50页 |
| 4.2.2 极限学习机自动编码器 | 第50-52页 |
| 4.2.3 分层极限学习机处理过程 | 第52-55页 |
| 4.3 ELM和H-ELM诊断结果 | 第55-57页 |
| 4.3.1 ELM实验结果 | 第55-56页 |
| 4.3.2 H-ELM实验结果 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 基于IGA-BP和H-ELM滚动轴承故障诊断实验验证 | 第58-66页 |
| 5.1 实验设计方案 | 第58-59页 |
| 5.1.1 实验流程 | 第58页 |
| 5.1.2 实验平台 | 第58-59页 |
| 5.2 实验结果 | 第59-65页 |
| 5.2.1 特征向量提取 | 第59页 |
| 5.2.2 GA-BP网络训练与测试 | 第59-60页 |
| 5.2.3 IGA-BP与GA-BP实验结果对比 | 第60-63页 |
| 5.2.4 几种方法实验对比 | 第63-65页 |
| 5.3 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 论文总结 | 第66-67页 |
| 6.2 研究展望 | 第67-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 附录A 攻读硕士期间发表的论文 | 第76-78页 |
| 附录B 攻读硕士期间参与的项目 | 第78-80页 |
| 附录C 攻读硕士期间申请的软件著作权 | 第80页 |