| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 1 绪论 | 第14-30页 |
| 1.1 论文研究目的及意义 | 第14-15页 |
| 1.2 群体智能优化算法概述 | 第15-20页 |
| 1.2.1 群智能优化方法的产生与发展 | 第15-16页 |
| 1.2.2 粒子群优化算法 | 第16-17页 |
| 1.2.3 混合蛙跳算法 | 第17-19页 |
| 1.2.4 群智能融合算法 | 第19-20页 |
| 1.3 行星齿轮故障诊断现状及发展 | 第20-26页 |
| 1.3.1 行星齿轮故障特点 | 第20-21页 |
| 1.3.2 建模方法 | 第21-22页 |
| 1.3.3 信号处理技术 | 第22-24页 |
| 1.3.4 智能诊断方法 | 第24-25页 |
| 1.3.5 行星齿轮故障诊断前景 | 第25-26页 |
| 1.4 齿轮表面强化及防护技术 | 第26-27页 |
| 1.5 本论文研究内容 | 第27-30页 |
| 2 混合蛙跳算法与粒子群算法的融合及仿真 | 第30-49页 |
| 2.1 混合蛙跳算法原理 | 第30-37页 |
| 2.1.1 混合蛙跳算法简介 | 第30-31页 |
| 2.1.2 混合蛙跳算法数学模型 | 第31-32页 |
| 2.1.3 混合蛙跳算法流程 | 第32-33页 |
| 2.1.4 混合蛙跳算法的参数设置 | 第33-34页 |
| 2.1.5 混合蛙跳算法的改进 | 第34-37页 |
| 2.2 粒子群算法原理 | 第37-39页 |
| 2.2.1 粒子群算法数学模型 | 第37页 |
| 2.2.2 粒子群算法流程 | 第37-38页 |
| 2.2.3 粒子群算法改进 | 第38-39页 |
| 2.3 混合蛙跳算法与粒子群算法的比较 | 第39-40页 |
| 2.4 混合蛙跳算法与粒子群算法的融合 | 第40-42页 |
| 2.4.1 SFLA与 PSO融合策略 | 第40页 |
| 2.4.2 融合算法流程 | 第40-42页 |
| 2.5 SFLA-PSO群智能融合算法的仿真研究 | 第42-48页 |
| 2.5.1 测试函数及参数设置 | 第42-43页 |
| 2.5.2 算法仿真结果分析 | 第43-47页 |
| 2.5.3 SFLA-PSO参数的研究 | 第47-48页 |
| 2.6 小结 | 第48-49页 |
| 3 基于群智能融合算法优化组合核的KPCA特征提取技术 | 第49-69页 |
| 3.1 核理论的概述 | 第49-51页 |
| 3.2 多核学习方法的研究现状及难点 | 第51-52页 |
| 3.3 组合核函数的构成及优化 | 第52-53页 |
| 3.3.1 组合核函数的构成 | 第52-53页 |
| 3.3.2 组合核参数优化方法 | 第53页 |
| 3.4 基于SFLA-PSO融合的KPCA的组合核优化及特征提取 | 第53-59页 |
| 3.4.1 核主元分析(KPCA)的原理 | 第54-55页 |
| 3.4.2 基于Fisher准则判别的组合核参数优化模型的建立 | 第55-58页 |
| 3.4.3 SFLA-PSO优化组合核参数的步骤 | 第58-59页 |
| 3.5 仿真及对比分析 | 第59-64页 |
| 3.5.1 Iris Plants Database | 第59-61页 |
| 3.5.2 基于SFLA-PSO的 Iris数据集组合核参数优化 | 第61-62页 |
| 3.5.3 Iris数据的KPCA特征提取 | 第62-64页 |
| 3.6 基于SFLA-PSO优化组合核函数的行星齿轮箱的KPCA特征提取 | 第64-68页 |
| 3.6.1 行星齿轮箱特征提取的意义 | 第64-65页 |
| 3.6.2 行星齿轮箱的振动信号分析的特征参数 | 第65页 |
| 3.6.3 基于SFLA-PSO的组合核参数的优化 | 第65-66页 |
| 3.6.4 基于SFLA-PSO优化组合核的行星齿轮磨损的KPCA特征提取 | 第66-68页 |
| 3.7 小结 | 第68-69页 |
| 4 行星齿轮振动传递路径的建模及基于SFLA-PSO的参数优化 | 第69-86页 |
| 4.1 行星齿轮振动传递路径的理论及现状 | 第69-73页 |
| 4.1.1 传递路径分析基本原理 | 第69-70页 |
| 4.1.2 行星齿轮箱传递路径分析的现状 | 第70-73页 |
| 4.2 行星齿轮传动系统的动力学模型 | 第73-76页 |
| 4.3 行星齿轮传动系统振动传递路径对动力学模型的影响分析 | 第76-80页 |
| 4.3.1 考虑传递路径的总信号模型及仿真 | 第76-78页 |
| 4.3.2 基于SFLA-PSO的振动传递路径权函数参数的优化 | 第78-80页 |
| 4.4 考虑传递路径的行星齿轮裂纹的振动信号特性分析 | 第80-82页 |
| 4.5 仿真结果与实验结果的对比分析 | 第82-85页 |
| 4.6 小结 | 第85-86页 |
| 5 星齿轮故障诊断实验 | 第86-98页 |
| 5.1 行星齿轮实验台组成 | 第86-87页 |
| 5.2 行星齿轮箱信号采集 | 第87-89页 |
| 5.3 行星齿轮箱的特征频率 | 第89-92页 |
| 5.4 行星齿轮振动信号时频域分析 | 第92-95页 |
| 5.5 轮表面防护的纳米复合材料制备实验 | 第95-97页 |
| 5.6 小结 | 第97-98页 |
| 6 基于SFLA-PSO的行星齿轮磨损损伤识别及复合故障诊断 | 第98-116页 |
| 6.1 行星齿轮箱常见故障 | 第98-100页 |
| 6.2 神经网络模型诊断系统 | 第100-103页 |
| 6.2.1 神经网络模型 | 第100-101页 |
| 6.2.2 BP神经网络的结构 | 第101页 |
| 6.2.3 BP神经网络的算法 | 第101-103页 |
| 6.3 基于SFLA-PSO优化神经网络的行星齿轮磨损损伤程度的识别 | 第103-112页 |
| 6.3.1 基于SFLA-PSO优化BP网络模型及实现 | 第103-104页 |
| 6.3.2 特征向量的提取及数据归一化 | 第104-106页 |
| 6.3.3 训练样本和测试样本的构建 | 第106-107页 |
| 6.3.4 神经网络模型的建立 | 第107-109页 |
| 6.3.5 行星齿轮不同磨损程度的识别及误差分析 | 第109-112页 |
| 6.4 行星齿轮复合故障识别结果及分析 | 第112-115页 |
| 6.5 小结 | 第115-116页 |
| 7 结论及展望 | 第116-119页 |
| 7.1 结论 | 第116-117页 |
| 7.2 创新点 | 第117-118页 |
| 7.3 展望 | 第118-119页 |
| 附录A | 第119-120页 |
| 附录B | 第120-125页 |
| 参考文献 | 第125-135页 |
| 攻读博士学位期间发表的论文及所取得的研究成果 | 第135-137页 |
| 致谢 | 第137页 |
