基于蚁群优化算法的齿轮箱故障诊断研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-17页 |
| ·选题的目的和意义 | 第10页 |
| ·齿轮箱故障诊断的研究现状和发展动态 | 第10-14页 |
| ·研究现状 | 第10-11页 |
| ·方法研究和发展动态 | 第11-12页 |
| ·神经网络在故障诊断中的应用 | 第12-14页 |
| ·蚁群算法研究现状 | 第14-15页 |
| ·本文主要研究内容和论文构架 | 第15-17页 |
| 2 齿轮箱故障振动机理及故障特征提取 | 第17-29页 |
| ·齿轮箱的结构及故障主要形式 | 第17页 |
| ·齿轮振动机理及故障特征信息 | 第17-22页 |
| ·齿轮振动机理分析 | 第17-19页 |
| ·齿轮故障特征信息 | 第19-22页 |
| ·滚动轴承振动机理及故障特征信息 | 第22-25页 |
| ·滚动轴承振动机理分析 | 第22-24页 |
| ·滚动轴承故障特征信息 | 第24-25页 |
| ·时频域故障特征参量提取 | 第25-28页 |
| ·时域故障特征提取 | 第25-27页 |
| ·频域故障特征提取 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 3 蚁群优化算法 | 第29-39页 |
| ·蚁群算法的原理 | 第29-32页 |
| ·蚁群行为描述 | 第29-30页 |
| ·基本蚁群算法的原理 | 第30-32页 |
| ·蚁群算法的特点 | 第32-34页 |
| ·基本蚁群算法的优缺点 | 第32-33页 |
| ·蚁群算法与其他仿生算法的比较 | 第33-34页 |
| ·改进的蚁群优化算法 | 第34-38页 |
| ·最优解保留策略蚂蚁系统 | 第34-35页 |
| ·基于优化排序的蚂蚁系统 | 第35页 |
| ·蚁群系统 | 第35-37页 |
| ·最大-最小蚂蚁系统 | 第37页 |
| ·最优-最差蚂蚁系统 | 第37-38页 |
| ·各种蚁群优化算法的比较 | 第38页 |
| ·本章小结 | 第38-39页 |
| 4 蚁群优化算法在人工神经网络中的应用 | 第39-47页 |
| ·人工神经网络 | 第39-41页 |
| ·人工神经网络的基本概念 | 第39-40页 |
| ·人工神经网络的特点 | 第40-41页 |
| ·BP 神经网络 | 第41-43页 |
| ·BP 网络的模型结构 | 第41-42页 |
| ·BP 网络学习算法 | 第42-43页 |
| ·基于蚁群优化的神经网络学习算法 | 第43-46页 |
| ·本章小结 | 第46-47页 |
| 5 基于蚁群优化算法的齿轮箱故障诊断方法 | 第47-62页 |
| ·齿轮箱故障诊断实验方案 | 第47-48页 |
| ·齿轮箱故障设置及测点的选定 | 第48-50页 |
| ·齿轮箱故障的设置 | 第48-49页 |
| ·测点的选定 | 第49-50页 |
| ·齿轮箱故障特征提取 | 第50-53页 |
| ·数据预处理 | 第50-51页 |
| ·时频域特征参数提取 | 第51-52页 |
| ·特征参数归一化处理 | 第52-53页 |
| ·蚁群优化算法应用于齿轮箱故障诊断的算法实现 | 第53-61页 |
| ·神经网络模型的建立 | 第53-55页 |
| ·蚁群神经网络参数选取 | 第55-57页 |
| ·蚁群算法优化神经网络 | 第57-58页 |
| ·神经网络的训练与诊断 | 第58-59页 |
| ·蚁群神经网络与 BP 算法神经网络的比较 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 6 结论与展望 | 第62-64页 |
| ·结论 | 第62-63页 |
| ·展望 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间发表的论文 | 第69-70页 |
| 致谢 | 第70页 |
