摘要 | 第1页 |
Abstract | 第5-6页 |
详细摘要 | 第6-9页 |
Detailed Abstract | 第9-15页 |
1 引言 | 第15-25页 |
·选题的背景及意义 | 第15-17页 |
·设备故障诊断技术发展史 | 第17-21页 |
·设备故障诊断的定义 | 第17-19页 |
·设备故障诊断技术发展史 | 第19-21页 |
·振动筛故障诊断研究的历史、现状及存在的问题 | 第21-23页 |
·振动筛故障诊断研究的历史与现状 | 第21-22页 |
·存在的主要问题 | 第22-23页 |
·本文主要研究内容 | 第23-25页 |
2 基于故障诊断的基础理论研究 | 第25-43页 |
·引言 | 第25-26页 |
·AR模型 | 第26-29页 |
·AR模型在振动筛侧帮裂纹故障诊断中的应用 | 第29-30页 |
·主元分析 | 第30-34页 |
·主成分的推导 | 第32-33页 |
·精度分析 | 第33-34页 |
·主元分析在AR模型故障特征降维中的应用 | 第34-35页 |
·支持向量机 | 第35-41页 |
·最大间隔分类支持向量机 | 第36-38页 |
·软间隔分类支持向量机 | 第38-39页 |
·基于核的支持向量机 | 第39-40页 |
·多分类支持向量机 | 第40-41页 |
·主元分析在支持向量机多分类器中的应用 | 第41-42页 |
·本章小结 | 第42-43页 |
3 基于小波分析的信号降噪和故障特征提取方法研究 | 第43-63页 |
·小波变换 | 第43-49页 |
·引言 | 第43-44页 |
·小波变换与小波函数 | 第44-45页 |
·连续小波变换与离散小波变换 | 第45-47页 |
·小波包变换 | 第47-49页 |
·小波降噪理论研究 | 第49-51页 |
·小波降噪的基本原理和方法 | 第49-50页 |
·小波包与信号降噪 | 第50-51页 |
·振动筛数据降噪处理 | 第51-59页 |
·信号的时须域分析 | 第51-54页 |
·信号的小波降噪处理 | 第54-57页 |
·小波包降噪数据处理 | 第57-59页 |
·振动筛故障特征提取 | 第59-62页 |
·小波包能量特征提取方法 | 第59-61页 |
·振动筛侧帮能量故障特征提取 | 第61-62页 |
·本章小结 | 第62-63页 |
4 基于小波遗传神经网络的振动筛侧帮裂纹故障诊断方法研究 | 第63-87页 |
·人工神经网络 | 第63-69页 |
·BP神经网络的构成 | 第64-65页 |
·BP网络的学习规则 | 第65页 |
·BP网络的算法 | 第65-67页 |
·BP网络的改进方法 | 第67-69页 |
·振动筛侧帮裂纹故障诊断的BP神经网络研究及实现 | 第69-74页 |
·遗传算法 | 第74-80页 |
·遗传算法的特点 | 第74-75页 |
·基本遗传算法 | 第75-80页 |
·遗传算法对神经网络的优化 | 第80-83页 |
·遗传算法对神经网络的优化 | 第80-82页 |
·神经网络的混合训练 | 第82-83页 |
·振动筛侧帮裂纹故障诊断的小波遗传神经网络研究 | 第83-85页 |
·小波遗传神经网络故障诊断流程 | 第83-84页 |
·振动筛侧帮裂纹故障诊断的小波遗传神经网络研究与实现 | 第84-85页 |
·本章小结 | 第85-87页 |
5 大型振动筛侧帮裂纹在线检测方法研究 | 第87-109页 |
·引言 | 第87-88页 |
·系统硬件设计分析 | 第88-92页 |
·传感器及参数选择 | 第88-90页 |
·电荷电压放大器的设计 | 第90-91页 |
·A/D转换器及单片机接口电路 | 第91-92页 |
·系统软件研究 | 第92-94页 |
·在线检测系统上位机软件研究与实现 | 第94-106页 |
·计算机编程技术 | 第95页 |
·数据库技术 | 第95-97页 |
·上位机软件系统的设计 | 第97-100页 |
·上位机软件主要功能模块的实现 | 第100-102页 |
·振动筛在线故障诊断 | 第102-106页 |
·本章小结 | 第106-109页 |
6 结论与展望 | 第109-113页 |
·本文的主要工作和结论 | 第109-110页 |
·本文的创新性工作 | 第110-111页 |
·建议 | 第111-113页 |
参考文献 | 第113-119页 |
致谢 | 第119-121页 |
攻读博士学位期间参加的科研工作及发表的论文 | 第121-122页 |