| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第12-29页 |
| 1.1 研究背景及意义 | 第12-17页 |
| 1.1.1 研究背景 | 第12-14页 |
| 1.1.2 问题的提出 | 第14-15页 |
| 1.1.3 研究意义 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-25页 |
| 1.2.1 故障诊断技术研究现状 | 第17-20页 |
| 1.2.2 刮板输送机故障及状态监测研究现状 | 第20-25页 |
| 1.3 研究内容、方法和技术路线 | 第25-29页 |
| 1.3.1 研究内容 | 第25-26页 |
| 1.3.2 研究方法及技术路线 | 第26-29页 |
| 2 传动部故障数据采集及特征提取 | 第29-62页 |
| 2.1 齿轮和轴承振动故障分析 | 第29-34页 |
| 2.1.1 齿轮主要故障模式 | 第29页 |
| 2.1.2 齿轮振动分析 | 第29-30页 |
| 2.1.3 齿轮故障特征提取原理 | 第30-31页 |
| 2.1.4 轴承主要故障模式 | 第31-33页 |
| 2.1.5 轴承故障特征提取原理 | 第33-34页 |
| 2.2 基于混沌Duffing振子的微弱振动信号检测 | 第34-42页 |
| 2.2.1 Duffing振子的数学模型 | 第34-35页 |
| 2.2.2 Duffing振子的检测原理 | 第35-40页 |
| 2.2.3 基于Melnikov的Duffing振子混沌判断依据 | 第40-41页 |
| 2.2.4 Duffing振子的噪声影响性分析 | 第41-42页 |
| 2.3 第二代小波变换在特征提取中的应用 | 第42-49页 |
| 2.3.1 故障诊断中第一代小波变换使用局限性 | 第42-43页 |
| 2.3.2 插值细分在第二代小波变换中的应用 | 第43-44页 |
| 2.3.3 第二代小波变换的多相表示与等效滤波器 | 第44-47页 |
| 2.3.4 第二代小波包的分解和重构 | 第47-49页 |
| 2.4 实例分析 | 第49-60页 |
| 2.4.1 基于混沌理论的仿真分析 | 第49-53页 |
| 2.4.2 基于小波理论的仿真分析 | 第53-60页 |
| 2.5 本章小结 | 第60-62页 |
| 3 基于数据融合的传动部故障数据分析 | 第62-85页 |
| 3.1 数据融合定义 | 第62页 |
| 3.2 多传感器数据融合结构 | 第62-64页 |
| 3.2.1 数据融合的结构模型 | 第62-63页 |
| 3.2.2 数据融合的信息层次模型 | 第63-64页 |
| 3.3 故障诊断中多传感器数据融合的应用研究 | 第64-71页 |
| 3.3.1 多传感器数据的不确定性表示 | 第64-66页 |
| 3.3.2 基于数据融合的故障诊断模型 | 第66-68页 |
| 3.3.3 分布式多传感器的融合算法 | 第68-71页 |
| 3.4 故障数据径向基神经网络和模糊积分的两级融合 | 第71-79页 |
| 3.4.1 径向基神经网络 | 第71-76页 |
| 3.4.2 模糊积分 | 第76-79页 |
| 3.5 实例分析 | 第79-83页 |
| 3.6 本章小结 | 第83-85页 |
| 4 故障数据的支持向量机分类及粗糙集约简 | 第85-111页 |
| 4.1 支持向量机基本理论 | 第85-97页 |
| 4.1.1 学习的一致性原理 | 第85-86页 |
| 4.1.2 VC维 | 第86页 |
| 4.1.3 推广性的界 | 第86-87页 |
| 4.1.4 结构风险最小化原理 | 第87页 |
| 4.1.5 支持向量机分类原理 | 第87-97页 |
| 4.2 核函数的基本理论 | 第97-99页 |
| 4.2.1 核函数定义 | 第97-98页 |
| 4.2.2 核函数的选择 | 第98页 |
| 4.2.3 模型参数的选择 | 第98-99页 |
| 4.3 支持向量机在刮板输送机故障分类中的应用 | 第99-102页 |
| 4.3.1 支持向量机核参数的选取和优化 | 第101页 |
| 4.3.2 诊断分类仿真结果 | 第101-102页 |
| 4.4 粗糙集理论 | 第102-105页 |
| 4.4.1 知识库与不分明关系 | 第103页 |
| 4.4.2 集合的上下近似集与依赖度 | 第103-104页 |
| 4.4.3 属性约简与核 | 第104-105页 |
| 4.4.4 数据离散化 | 第105页 |
| 4.5 粗糙集在刮板输送机故障数据约简中的应用 | 第105-108页 |
| 4.5.1 利用粗糙集对数据的清洗 | 第107-108页 |
| 4.5.2 决策的提取规则 | 第108页 |
| 4.6 支持向量机与粗糙集的综合应用 | 第108-109页 |
| 4.7 本章小结 | 第109-111页 |
| 5 传动部旋转机械故障量子神经网络多征兆综合诊断 | 第111-131页 |
| 5.1 量子计算基础理论 | 第111-112页 |
| 5.1.1 态叠加原理 | 第111页 |
| 5.1.2 相干、消相干原理 | 第111-112页 |
| 5.1.3 量子测量 | 第112页 |
| 5.1.4 态纠缠 | 第112页 |
| 5.1.5 并行性 | 第112页 |
| 5.2 量子比特与量子门 | 第112-116页 |
| 5.2.1 量子比特 | 第112-114页 |
| 5.2.2 量子比特门 | 第114-116页 |
| 5.3 几种量子神经网络模型 | 第116-117页 |
| 5.3.1 多层激励函数的量子神经网络 | 第116-117页 |
| 5.3.2 Qubit神经元模型 | 第117页 |
| 5.4 基于受控量子相移门的神经网络故障诊断研究 | 第117-125页 |
| 5.4.1 基于量子旋转门的量子神经元 | 第117-118页 |
| 5.4.2 基于受控量子相移门的神经网络模型 | 第118-119页 |
| 5.4.3 网络学习算法 | 第119-120页 |
| 5.4.4 实例分析 | 第120-125页 |
| 5.5 基于多层激励函数的量子神经网络故障诊断研究 | 第125-130页 |
| 5.5.1 基于多层激励函数的量子神经元 | 第125页 |
| 5.5.2 基于多层激励函数的量子神经网络模型 | 第125-126页 |
| 5.5.3 网络学习算法 | 第126-127页 |
| 5.5.4 实例分析 | 第127-130页 |
| 5.6 本章小结 | 第130-131页 |
| 6 在线监测系统在传动部故障诊断中的应用 | 第131-146页 |
| 6.1 传动部监测部件及测点 | 第131-135页 |
| 6.1.1 主要监测参数 | 第131-132页 |
| 6.1.2 主要监测部件 | 第132页 |
| 6.1.3 主要监测点 | 第132-135页 |
| 6.2 在线监测系统应用 | 第135-142页 |
| 6.2.1 在线监测系统设备 | 第135-136页 |
| 6.2.2 监测系统应用 | 第136-138页 |
| 6.2.3 监测数据分析 | 第138-141页 |
| 6.2.4 分析结果 | 第141-142页 |
| 6.3 应用效益 | 第142-145页 |
| 6.4 本章小结 | 第145-146页 |
| 7 结论与展望 | 第146-149页 |
| 7.1 结论 | 第146-147页 |
| 7.2 创新点 | 第147-148页 |
| 7.3 展望 | 第148-149页 |
| 致谢 | 第149-150页 |
| 参考文献 | 第150-159页 |
| 附录 | 第159-160页 |
