基于信息融合技术的高速冲床故障诊断研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 目录 | 第9-12页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 课题来源 | 第12页 |
| 1.2 课题背景与研究意义 | 第12-14页 |
| 1.3 高速冲床故障诊断技术及其发展趋势 | 第14-21页 |
| 1.3.1 高速冲床故障征兆的提取方法 | 第14-16页 |
| 1.3.2 故障诊断常用的推理方法 | 第16-18页 |
| 1.3.3 故障诊断技术的发展趋势 | 第18-19页 |
| 1.3.4 信息融合技术的发展起源和现状 | 第19-20页 |
| 1.3.5 信息融合技术的故障诊断 | 第20-21页 |
| 1.4 本章小结 | 第21-22页 |
| 第2章 基于诊断不确定性的信息融合理论框架 | 第22-34页 |
| 2.1 信息融合技术 | 第22-23页 |
| 2.2 信息融合系统的模型与结构 | 第23-29页 |
| 2.2.1 信息融合系统的功能模型 | 第23-25页 |
| 2.2.2 信息融合的级别 | 第25-27页 |
| 2.2.3 通用处理结构 | 第27-29页 |
| 2.3 故障诊断中的不确定性分析 | 第29-31页 |
| 2.3.1 机械设备本身的不确定性 | 第29页 |
| 2.3.2 传感器信号的不确定性 | 第29-30页 |
| 2.3.3 信号采集处理的不确定性 | 第30页 |
| 2.3.4 特征提取的不确定性 | 第30-31页 |
| 2.3.5 诊断推理的不确定性 | 第31页 |
| 2.4 信息融合技术在故障诊断中的理论框架 | 第31-33页 |
| 2.5 信息融合诊断组建方法 | 第33页 |
| 2.6 本章小结 | 第33-34页 |
| 第3章 基于核主元分析的故障特征提取 | 第34-50页 |
| 3.1 主元分析方法 | 第34-37页 |
| 3.1.1 主元分析算法 | 第35-36页 |
| 3.1.2 主元的特性 | 第36页 |
| 3.1.3 主元的贡献率 | 第36-37页 |
| 3.2 核函数原理 | 第37-39页 |
| 3.3 基于核主元分析的故障特征提取方法 | 第39-42页 |
| 3.3.1 基本原理 | 第39-41页 |
| 3.3.2 算法实现 | 第41-42页 |
| 3.4 特征提取实验分析 | 第42-48页 |
| 3.4.1 实验本体 | 第42页 |
| 3.4.2 数据采集 | 第42-44页 |
| 3.4.3 信号频域分析 | 第44页 |
| 3.4.4 核主元分析故障特征提取 | 第44-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第4章 基于神经网络的局部智能故障诊断 | 第50-60页 |
| 4.1 神经网络结构原理 | 第50-52页 |
| 4.1.1 生物神经元模型 | 第50-51页 |
| 4.1.2 人工神经元模型 | 第51-52页 |
| 4.2 神经网络在故障诊断中的应用方法 | 第52页 |
| 4.3 局部诊断实验分析 | 第52-58页 |
| 4.3.1 频域诊断实例分析 | 第52-55页 |
| 4.3.2 时域诊断实例分析 | 第55-56页 |
| 4.3.3 轴心轨迹诊断实例分析 | 第56-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第5章 加权证据理论在决策融合诊断中的应用 | 第60-68页 |
| 5.1 证据理论基础 | 第60-63页 |
| 5.1.1 D-S证据理论基本内涵 | 第60-62页 |
| 5.1.2 Dempster证据合成法则 | 第62-63页 |
| 5.2 决策融合实验分析 | 第63-66页 |
| 5.3 本章小结 | 第66-68页 |
| 第6章 结论 | 第68-72页 |
| 6.1 论文工作总结 | 第68-69页 |
| 6.2 未来工作展望 | 第69-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76页 |
