基于粒子群优化支持向量机决策树的齿轮箱故障诊断方法
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-23页 |
| ·课题提出的目的与意义 | 第9页 |
| ·齿轮箱故障诊断技术综述 | 第9-12页 |
| ·齿轮箱故障诊断技术的特点 | 第9-10页 |
| ·齿轮箱故障诊断技术国内外发展现状 | 第10-11页 |
| ·齿轮箱故障诊断的发展方向 | 第11-12页 |
| ·齿轮箱故障特征提取方法综述 | 第12-16页 |
| ·时域同步平均技术 | 第13-14页 |
| ·频域法 | 第14-16页 |
| ·现代处理方法 | 第16页 |
| ·粒子群算法与决策树研究现状 | 第16-19页 |
| ·粒子群研究现状 | 第16-18页 |
| ·决策树研究现状 | 第18-19页 |
| ·本文的主要内容及结构安排 | 第19-23页 |
| 第二章 齿轮的振动机理与信号特征提取 | 第23-41页 |
| ·齿轮箱的振动机理与故障类型 | 第23-31页 |
| ·齿轮的振动机理 | 第23-26页 |
| ·齿轮箱的故障类型 | 第26-27页 |
| ·齿轮箱故障模型研究 | 第27-31页 |
| ·齿轮故障信号特征 | 第31-33页 |
| ·故障特征的提取 | 第33-40页 |
| ·信号的预处理 | 第33-34页 |
| ·时域信号特征 | 第34-37页 |
| ·频域信号指标 | 第37-38页 |
| ·故障特征的提取 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第三章 支持向量机理论及决策树算法 | 第41-51页 |
| ·支持向量机理论基础 | 第41-46页 |
| ·机器学习理论 | 第41页 |
| ·统计学习理论的基本思想 | 第41-43页 |
| ·最优分类超平面 | 第43-44页 |
| ·结构风险最小化 | 第44-46页 |
| ·支持向量分类机 | 第46-47页 |
| ·支持向量机分类方法分析 | 第47-49页 |
| ·本章小结 | 第49-51页 |
| 第四章 粒子群理论与算法 | 第51-57页 |
| ·粒子群理论基础 | 第51页 |
| ·基本粒子群算法 | 第51-52页 |
| ·标准粒子群算法 | 第52-53页 |
| ·粒子群算法的应用与发展 | 第53-54页 |
| ·粒子群算法的应用 | 第53页 |
| ·粒子群算法的发展 | 第53-54页 |
| ·仿真试验 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第五章 基于粒子群决策树齿轮箱故障诊断 | 第57-73页 |
| ·支持向量机分类器的选用 | 第57-59页 |
| ·基于粒子群决策树的建立 | 第59-63页 |
| ·决策树构造方法存在的问题 | 第59-60页 |
| ·粒子群算法的引入 | 第60-61页 |
| ·适应度函数的确定 | 第61-62页 |
| ·生存最优决策树 | 第62-63页 |
| ·齿轮故障实验设计 | 第63-68页 |
| ·实验平台的建立 | 第64-65页 |
| ·齿轮和轴承故障模拟 | 第65页 |
| ·信号采集 | 第65-68页 |
| ·试验验证 | 第68-71页 |
| ·本章小结 | 第71-73页 |
| 第六章 总结与展望 | 第73-75页 |
| ·总结 | 第73页 |
| ·展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 攻读学位期间发表的学术论文目录 | 第81页 |
