基于信息融合技术的旋转机械故障诊断研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-23页 |
| ·课题来源 | 第10页 |
| ·课题背景与研究意义 | 第10-12页 |
| ·旋转机械故障诊断技术及其发展趋势 | 第12-17页 |
| ·旋转机械故障征兆的提取 | 第12-14页 |
| ·故障诊断常用的推理方法 | 第14-15页 |
| ·故障诊断技术的发展趋势 | 第15-17页 |
| ·信息融合技术概述 | 第17-19页 |
| ·信息融合技术的发展起源和现状 | 第17-18页 |
| ·信息融合技术故障诊断简介 | 第18-19页 |
| ·本文研究内容与结构体系 | 第19-22页 |
| ·本文研究内容 | 第19-21页 |
| ·本文研究结构体系 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第二章 基于诊断不确定性的信息融合研究框架 | 第23-35页 |
| ·信息融合技术的一般概念与定义 | 第23-24页 |
| ·信息融合系统的模型与结构 | 第24-29页 |
| ·功能模型 | 第24-26页 |
| ·信息融合的级别 | 第26-28页 |
| ·通用处理结构 | 第28-29页 |
| ·故障诊断中的不确定性分析 | 第29-32页 |
| ·机械设备本身的不确定性 | 第30页 |
| ·传感器信号的不确定性 | 第30页 |
| ·信号采集处理的不确定性 | 第30-31页 |
| ·特征提取的不确定性 | 第31页 |
| ·诊断推理的不确定性 | 第31-32页 |
| ·信息融合技术在故障诊断中的研究框架 | 第32-33页 |
| ·本文采用的信息融合诊断组建方法 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 基于核主元分析的故障特征提取 | 第35-54页 |
| ·引言 | 第35-36页 |
| ·主元分析方法 | 第36-39页 |
| ·主元分析算法 | 第37页 |
| ·主元的特性 | 第37-38页 |
| ·主元的贡献率 | 第38-39页 |
| ·核函数原理 | 第39-41页 |
| ·基于核主元分析的故障特征提取方法 | 第41-43页 |
| ·基本原理 | 第41-42页 |
| ·算法实现 | 第42-43页 |
| ·仿真分析 | 第43-46页 |
| ·线性和非线性问题仿真分析 | 第43-44页 |
| ·IRIS数据集仿真分析 | 第44-46页 |
| ·特征提取实验研究 | 第46-53页 |
| ·实验本体 | 第46-47页 |
| ·数据采集 | 第47-49页 |
| ·实验样本集的建立 | 第49页 |
| ·信号频域分析 | 第49-50页 |
| ·核主元分析故障特征提取 | 第50-53页 |
| ·本章小结 | 第53-54页 |
| 第四章 基于神经网络的局部智能故障诊断 | 第54-68页 |
| ·引言 | 第54-55页 |
| ·神经网络结构原理 | 第55-57页 |
| ·生物神经元模型 | 第55页 |
| ·人工神经元模型 | 第55-57页 |
| ·神经网络的建模 | 第57-61页 |
| ·误差反向传播神经网络(BP) | 第57-59页 |
| ·径向基函数神经网络(RBF) | 第59-61页 |
| ·神经网络在故障诊断中的应用方法 | 第61-62页 |
| ·局部诊断实验研究 | 第62-67页 |
| ·频域诊断实例分析 | 第62-65页 |
| ·时域诊断实例分析 | 第65-66页 |
| ·轴心轨迹诊断实例分析 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 第五章 加权证据理论在决策融合诊断中的应用 | 第68-79页 |
| ·引言 | 第68页 |
| ·证据理论基础 | 第68-71页 |
| ·D-S证据理论基本内涵 | 第68-70页 |
| ·Dempster证据合成法则 | 第70-71页 |
| ·加权证据理论改进 | 第71-73页 |
| ·证据理论存在的缺陷 | 第71页 |
| ·证据理论的加权改进 | 第71-72页 |
| ·算例分析 | 第72-73页 |
| ·基于加权证据理论的融合故障诊断方法 | 第73-75页 |
| ·诊断系统结构框架 | 第73页 |
| ·诊断具体实现步骤 | 第73-75页 |
| ·决策融合实验研究 | 第75-78页 |
| ·本章小结 | 第78-79页 |
| 第六章 全文总结 | 第79-81页 |
| 参考文献 | 第81-86页 |
| 致谢 | 第86-87页 |
| 攻读硕士学位期间主要研究成果 | 第87页 |
