基于数据挖掘技术在齿轮箱故障诊断的应用
摘要 | 第6-7页 |
Abstract | 第7页 |
第1章 绪论 | 第11-16页 |
1.1 齿轮箱诊断研究背景及意义 | 第11页 |
1.2 齿轮箱故障诊断发展现状 | 第11-12页 |
1.3 齿轮箱系统故障诊断研究现状 | 第12-13页 |
1.4 基于数据挖掘的故障诊断技术发展现状 | 第13-14页 |
1.4.1 数据挖掘技术的发展现状 | 第13-14页 |
1.4.2 基于数据挖掘故障诊断的发展现状 | 第14页 |
1.5 本论文各章节主要研究内容 | 第14-15页 |
1.6 本章小结 | 第15-16页 |
第2章 齿轮箱故障分类及其振动机理研究 | 第16-33页 |
2.1 齿轮箱故障分类及振动机理 | 第16-29页 |
2.1.1 齿轮故障及振动机理 | 第16-23页 |
2.1.2 转轴故障及成因 | 第23-24页 |
2.1.3 轴承故障及成因 | 第24-29页 |
2.2 齿轮箱故障模型分析 | 第29-32页 |
2.2.1 齿轮箱调制模型 | 第29-30页 |
2.2.2 齿轮箱故障幅值调制分析 | 第30-32页 |
2.6 本章小结 | 第32-33页 |
第3章 齿轮箱故障特征及特征信号提取 | 第33-52页 |
3.1 齿轮箱故障时频域特征 | 第33-40页 |
3.1.1 齿轮均匀磨损 | 第33-35页 |
3.1.2 齿轮裂纹齿 | 第35页 |
3.1.3 齿轮断齿 | 第35-37页 |
3.1.4 齿面胶合和点蚀 | 第37页 |
3.1.5 裂纹轴 | 第37页 |
3.1.6 轴不平衡 | 第37页 |
3.1.7 轴轻度弯曲 | 第37页 |
3.1.8 轴承故障 | 第37-40页 |
3.2 齿轮箱故障信号采集与特征提取 | 第40-51页 |
3.2.1 齿轮箱故障模拟实验平台介绍 | 第40-41页 |
3.2.2 测点和传感器的选择 | 第41-44页 |
3.2.3 特征信号采集与处理 | 第44-48页 |
3.2.4 振动信号的特征提取 | 第48-50页 |
3.2.5 齿轮箱故障特征参数 | 第50-51页 |
3.3 本章小结 | 第51-52页 |
第4章 齿轮箱故诊断方法及基于数据挖掘方法研究 | 第52-65页 |
4.1 齿轮箱主要故障诊断方法 | 第52-60页 |
4.1.1 时域故障诊断方法 | 第53-54页 |
4.1.2 频域域故障诊断方法 | 第54-56页 |
4.1.3 小波分析故障诊断方法 | 第56-57页 |
4.1.4 神经网络故障诊断方法 | 第57-59页 |
4.1.5 专家系统故障诊断方法 | 第59-60页 |
4.2 基于数据挖掘技术的齿轮箱故障诊断 | 第60-64页 |
4.2.1 数据挖掘定义 | 第60页 |
4.2.2 数据挖掘过程 | 第60-62页 |
4.2.3 数据挖掘的功能 | 第62-63页 |
4.2.4 数据挖掘常用方法 | 第63-64页 |
4.3 本章小结 | 第64-65页 |
第5章 基于数据挖掘分类在齿轮箱故障诊断的应用 | 第65-83页 |
5.1 数据分类 | 第65-66页 |
5.2 决策树方法 | 第66-71页 |
5.2.1 决策树生成算法 | 第67-68页 |
5.2.2 树剪枝 | 第68页 |
5.2.3 ID3算法 | 第68-69页 |
5.2.4 C4.5 算法 | 第69-71页 |
5.3 粗糙集方法 | 第71-74页 |
5.3.1 理论基础 | 第71-72页 |
5.3.2 属性约简 | 第72-74页 |
5.4 基于粗糙集决策树的齿轮箱故障诊断研究 | 第74-76页 |
5.4.1 粗糙决策树算法描述 | 第74页 |
5.4.2 粗糙集属性约简算法及其改进 | 第74-75页 |
5.4.3 粗糙决策树算法模型 | 第75-76页 |
5.5 基于粗糙决策树的齿轮箱数据挖掘仿真 | 第76-82页 |
5.5.1 基于粗糙决策树的齿轮箱故障数据分析 | 第76-80页 |
5.5.2 仿真结果分析 | 第80-82页 |
5.6 本章小结 | 第82-83页 |
结论与展望 | 第83-84页 |
致谢 | 第84-85页 |
参考文献 | 第85-88页 |
附表 | 第88-96页 |
作者简介 | 第96页 |
攻读硕士学位期间发表的论文 | 第96-97页 |