基于灰色ELM的滚动轴承故障预测
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-24页 |
| 1.1 课题背景及研究意义 | 第11-12页 |
| 1.2 滚动轴承故障预测技术研究现状 | 第12-16页 |
| 1.2.1 设备故障预测技术的研究现状 | 第12-14页 |
| 1.2.2 基于数据预测技术的研究现状 | 第14-16页 |
| 1.3 轴承故障特征提取方法概述 | 第16-17页 |
| 1.4 故障预测方法概述 | 第17-22页 |
| 1.4.1 曲线拟合 | 第17-18页 |
| 1.4.2 时间序列型 | 第18页 |
| 1.4.3 Kalman滤波 | 第18-19页 |
| 1.4.4 人工神经网络 | 第19-20页 |
| 1.4.5 灰色预测 | 第20-22页 |
| 1.5 主要研究内容及章节安排 | 第22-24页 |
| 2 灰色模型预测方法 | 第24-42页 |
| 2.1 基本理论 | 第24页 |
| 2.2 模型特点 | 第24-25页 |
| 2.3 GM(1.1)模型 | 第25-30页 |
| 2.3.1 灰色数列的生成 | 第25-27页 |
| 2.3.2 灰色模型的建立 | 第27-29页 |
| 2.3.3 灰色模型的适用范围 | 第29-30页 |
| 2.4 灰色预测模型的发展与改进 | 第30-41页 |
| 2.4.1 灰色新陈代谢模型 | 第30-32页 |
| 2.4.2 离散灰色模型 | 第32-34页 |
| 2.4.3 初值修正灰色模型 | 第34-36页 |
| 2.4.4 多变量灰色模型 | 第36-41页 |
| 2.5 本章小结 | 第41-42页 |
| 3 ELM神经网络算法 | 第42-48页 |
| 3.1 引言 | 第42页 |
| 3.2 单隐含层前馈神经网络(SLFNs) | 第42-45页 |
| 3.2.1 单隐含层前馈神经网络基本概念 | 第42-43页 |
| 3.2.2 单隐含层前馈神经网络的学习算法 | 第43-45页 |
| 3.3 ELM算法 | 第45-47页 |
| 3.4 本章小结 | 第47-48页 |
| 4 轴承故障特征信息的提取 | 第48-56页 |
| 4.1 EMD分解基本原理 | 第48-52页 |
| 4.2 EEMD分解基本原理 | 第52-55页 |
| 4.3 本章小结 | 第55-56页 |
| 5 组合预测模型及实验验证 | 第56-64页 |
| 5.1 引言 | 第56页 |
| 5.2 灰色极限学习机概述 | 第56-57页 |
| 5.3 灰色极限学习机学习流程 | 第57-58页 |
| 5.4 实际振动信号分析 | 第58-62页 |
| 5.5 预测模型的实验分析 | 第62-63页 |
| 5.6 本章小结 | 第63-64页 |
| 6 总结与展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第69-71页 |
| 学位论文数据集 | 第71页 |
