| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 论文的背景及意义 | 第8-9页 |
| 1.1.1 论文选题背景 | 第8页 |
| 1.1.2 论文研究意义 | 第8-9页 |
| 1.2 国内外相关技术及发展现状 | 第9-13页 |
| 1.2.1 故障诊断技术的发展与现状 | 第10页 |
| 1.2.2 智能诊断技术的发展与现状 | 第10-11页 |
| 1.2.3 神经网络在故障诊断中的应用 | 第11-13页 |
| 1.3 本文主要研究内容及结构 | 第13-14页 |
| 2 小波及故障特征提取理论 | 第14-28页 |
| 2.1 小波分析在滚动轴承振动信号预处理中的应用 | 第14-21页 |
| 2.1.1 小波分析及小波变换 | 第14-17页 |
| 2.1.2 多分辨率分析 | 第17-19页 |
| 2.1.3 小波包分析 | 第19-21页 |
| 2.2 故障信号预处理 | 第21-24页 |
| 2.2.1 小波在信噪分离中的应用 | 第21-22页 |
| 2.2.2 对仿真信号降噪分析 | 第22-24页 |
| 2.3 测试函数信号能量特征提取及分析 | 第24-27页 |
| 2.3.1 小波包提取能量特征方法简述 | 第24-25页 |
| 2.3.2 对仿真信号能量提取分析 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 粒子群算法及神经网络研究 | 第28-48页 |
| 3.1 粒子群算法原理及收敛性能测试 | 第28-36页 |
| 3.1.1 粒子群算法原理 | 第28-31页 |
| 3.1.2 改进粒子群算法原理简介 | 第31-32页 |
| 3.1.3 粒子群优化算法的参数选择 | 第32-33页 |
| 3.1.4 两种算法在测试函数中性能分析 | 第33-36页 |
| 3.2 BP神经网络算法分析 | 第36-40页 |
| 3.2.1 BP神经网络结构 | 第36-37页 |
| 3.2.2 BP神经网络的权值调整 | 第37-39页 |
| 3.2.3 BP神经网络学习训练过程 | 第39-40页 |
| 3.2.4 BP神经网络的特点 | 第40页 |
| 3.3 改进粒子群算法优化BP神经网络的仿真分析 | 第40-44页 |
| 3.4 RBF神经网络算法分析 | 第44-46页 |
| 3.4.1 RBF神经网络的模型 | 第44-45页 |
| 3.4.2 RBF神经网络学习训练过程 | 第45-46页 |
| 3.4.3 RBF神经网络的优点与缺点 | 第46页 |
| 3.5 本章小结 | 第46-48页 |
| 4 基于小波神经网络的轴承故障诊断实例研究 | 第48-66页 |
| 4.1 小波分析和神经网络结合方式简介 | 第48-49页 |
| 4.2 实测轴承系统及轴承故障数据的描述 | 第49-53页 |
| 4.2.1 轴承系统实验装置以及实验条件 | 第49-50页 |
| 4.2.2 实测轴承故障数据文件组成 | 第50-53页 |
| 4.3 基于BP与改进的PSO-BP神经网络的实测轴承故障诊断研究 | 第53-63页 |
| 4.3.1 对实测轴承故障信号降噪预处理 | 第53-54页 |
| 4.3.2 对实测轴承故障信号特征提取 | 第54-60页 |
| 4.3.3 基于BP神经网络和改进的PSO-BP的轴承故障诊断 | 第60-63页 |
| 4.4 基于RBF神经网络的实测轴承故障诊断实例研究 | 第63-64页 |
| 4.5 本章小结 | 第64-66页 |
| 5 结论与展望 | 第66-68页 |
| 5.1 结论 | 第66-67页 |
| 5.2 展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 附录 (攻读硕士期间发表的论文及授权的专利) | 第72页 |
