基于磨粒分析的磨损模式识别方法研究
| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 绪论 | 第9-20页 |
| ·课题的背景及意义 | 第9-11页 |
| ·油液分析技术 | 第11-13页 |
| ·磨粒分析技术 | 第13-15页 |
| ·磨粒分析技术的发展 | 第13页 |
| ·铁谱技术的发展 | 第13-15页 |
| ·智能铁谱技术的发展与现状 | 第15-18页 |
| ·数据库技术的应用 | 第15页 |
| ·专家系统的应用 | 第15-16页 |
| ·图像处理与模式识别技术的应用 | 第16-18页 |
| ·本文研究的思路和主要内容 | 第18-20页 |
| 第二章 磨损故障诊断技术的理论基础 | 第20-34页 |
| ·磨损的机理及磨粒的形成 | 第20-25页 |
| ·几种典型的磨损机理 | 第20-24页 |
| ·粘着磨损机理 | 第20-21页 |
| ·磨料磨损机理 | 第21-22页 |
| ·疲劳磨损机理 | 第22页 |
| ·化学磨损机理 | 第22-23页 |
| ·冲蚀磨损机理 | 第23-24页 |
| ·磨损的分类 | 第24-25页 |
| ·磨粒的分类 | 第25-26页 |
| ·磨粒的特征 | 第26-29页 |
| ·磨粒的形状特征 | 第26-27页 |
| ·磨粒的纹理特征 | 第27-28页 |
| ·磨粒的颜色特征 | 第28页 |
| ·磨粒的分形特征 | 第28-29页 |
| ·磨粒与机械设备运行状态间的关系 | 第29-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 磨粒智能识别方法研究 | 第34-62页 |
| ·磨粒图像的获取和预处理 | 第34-37页 |
| ·磨粒图像的获取 | 第34-35页 |
| ·磨粒图像的预处理 | 第35-37页 |
| ·磨粒图像分割 | 第36页 |
| ·磨粒图像滤波 | 第36-37页 |
| ·磨粒边缘检测 | 第37页 |
| ·磨粒形态特征提取 | 第37-40页 |
| ·Fourier级数 | 第38-39页 |
| ·特征提取 | 第39-40页 |
| ·磨粒智能识别方法 | 第40-47页 |
| ·人工智能与计算智能 | 第40-41页 |
| ·人工神经网络识别方法 | 第41-46页 |
| ·模糊理论识别方法 | 第46-47页 |
| ·支持向量机研究 | 第47-60页 |
| ·概述 | 第47-48页 |
| ·支持向量机的理论基础:统计学习理论 | 第48-53页 |
| ·统计学习的模型 | 第48-49页 |
| ·统计学习问题的一般表示 | 第49页 |
| ·经验风险最小化原则 | 第49-50页 |
| ·过学习问题的探讨 | 第50-51页 |
| ·统计学习理论中的一些概念 | 第51-53页 |
| ·基于支持向量机的模式分类方法 | 第53-59页 |
| ·线性可分最优分类面 | 第54-56页 |
| ·线性不可分最优分类面 | 第56页 |
| ·支持向量机 | 第56-58页 |
| ·内积函数(核函数) | 第58-59页 |
| ·基于支持向量机的多分类方法 | 第59-60页 |
| ·本章小结 | 第60-62页 |
| 第四章 磨粒分类器wp_svm设计与实现 | 第62-83页 |
| ·引言 | 第62-63页 |
| ·磨粒样本数据的建立 | 第63-67页 |
| ·磨粒分类训练器的设计 | 第67-69页 |
| ·多分类模式设计 | 第69-70页 |
| ·wp_svm分类器中的主要数据结构及分析 | 第70-76页 |
| ·wp_svm分类器程序中主要存储结构 | 第71-72页 |
| ·wp_svm分类器程序中主要类 | 第72-75页 |
| ·wp_svm分类器程序中主要函数 | 第75-76页 |
| ·仿真试验及分析 | 第76-81页 |
| ·核参数的选择及对分类器性能的影响 | 第76-79页 |
| ·仿真实验 | 第79页 |
| ·磨粒分类器wp_svm与AWPRM的比较 | 第79-81页 |
| ·本章小结 | 第81-83页 |
| 第五章 结论与展望 | 第83-85页 |
| 致谢 | 第85-86页 |
| 参考文献 | 第86-91页 |
