基于支持向量机与遗传算法的故障模式识别及趋势预测方法研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-14页 |
| 第一章 绪论 | 第14-22页 |
| ·课题的意义 | 第14-16页 |
| ·故障诊断发展及其趋势 | 第16-17页 |
| ·滚动轴承故障类型及特点 | 第17-18页 |
| ·滚动轴承故障诊断技术 | 第18-20页 |
| ·课题来源及主要研究内容 | 第20-22页 |
| 第二章 支持向量机原理简介及其应用 | 第22-43页 |
| ·支持向量机基本理论 | 第22-25页 |
| ·支持向量机应用 | 第25-28页 |
| ·基于 SVM 技术的滚动轴承故障识别 | 第28-42页 |
| ·实验装置 | 第28-30页 |
| ·数据处理 | 第30-38页 |
| ·实验结果 | 第38-42页 |
| ·本章小结 | 第42-43页 |
| 第三章 基于遗传算法的 SVM 优化改进 | 第43-52页 |
| ·遗传算法原理简介 | 第43-45页 |
| ·遗传算法应用介绍 | 第45页 |
| ·基于 GA 的 SVM 分类参数优化 | 第45-51页 |
| ·遗传算法优化性能实验结果 | 第47-51页 |
| ·分析讨论 | 第51页 |
| ·本章小结 | 第51-52页 |
| 第四章 基于小波变换的低转速滚动轴承故障诊断 | 第52-69页 |
| ·小波变换技术介绍 | 第52-53页 |
| ·小波变换在低转速滚动轴承故障诊断中的应用 | 第53-60页 |
| ·实验装置 | 第53-54页 |
| ·实验结果 | 第54-60页 |
| ·采用 SVM 识别低转速信号 | 第60-68页 |
| ·采用 7 个特征参数进行分类 | 第60-63页 |
| ·选用高敏感性特征参数进行分类识别 | 第63-68页 |
| ·本章小结 | 第68-69页 |
| 第五章 齿轮故障趋势发展预测 | 第69-88页 |
| ·齿轮趋势发展研究概述 | 第69-70页 |
| ·实验结构装置 | 第70-71页 |
| ·齿轮故障趋势发展预测分析方法 | 第71-74页 |
| ·实验结果 | 第74-87页 |
| ·特征参数选择 | 第74-79页 |
| ·峭度作为特征参数进行预测 | 第79-87页 |
| ·本章小结 | 第87-88页 |
| 第六章 总结和展望 | 第88-90页 |
| ·总结 | 第88页 |
| ·问题与展望 | 第88-90页 |
| 参考文献 | 第90-94页 |
| 致谢 | 第94-95页 |
| 研究成果及发表的学术论文 | 第95-96页 |
| 作者和导师简介 | 第96-97页 |
| 附录 | 第97-98页 |
