基于滤波技术和粒子群优化的齿轮箱故障诊断研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-19页 |
| ·课题的意义和背景 | 第11-12页 |
| ·齿轮箱故障诊断技术的研究现状 | 第12-13页 |
| ·滤波技术的研究现状 | 第13-15页 |
| ·粒子群优化技术的研究现状 | 第15-17页 |
| ·本论文的主要研究内容 | 第17-19页 |
| 2 自适应滤波消噪技术 | 第19-44页 |
| ·自适应滤波器 | 第19-30页 |
| ·自适应滤波器的组成 | 第19-20页 |
| ·自适应滤波器的原理 | 第20-22页 |
| ·性能参数分析 | 第22-27页 |
| ·自适应滤波器的典型应用 | 第27-30页 |
| ·自适应滤波算法 | 第30-38页 |
| ·自适应滤波算法种类 | 第31-33页 |
| ·LMS自适应算法分析 | 第33-34页 |
| ·基于双曲正切函数的LMS算法 | 第34-38页 |
| ·仿真与结果分析 | 第38-42页 |
| ·小结 | 第42-44页 |
| 3 粒子滤波技术 | 第44-62页 |
| ·贝叶斯滤波原理 | 第44-46页 |
| ·卡尔曼滤波理论 | 第46-48页 |
| ·扩展卡尔曼滤波理论 | 第48页 |
| ·无迹卡尔曼滤波理论 | 第48-51页 |
| ·粒子滤波理论 | 第51-57页 |
| ·贝叶斯重要性采样 | 第51-52页 |
| ·序贯重要性采样 | 第52-54页 |
| ·重采样 | 第54-55页 |
| ·粒子滤波的收敛性 | 第55页 |
| ·粒子滤波算法步骤 | 第55-57页 |
| ·仿真与结果分析 | 第57-61页 |
| ·小结 | 第61-62页 |
| 4 粒子群优化算法 | 第62-82页 |
| ·粒子群算法简介 | 第62-67页 |
| ·基本粒子群算法 | 第62-65页 |
| ·标准粒子群算法 | 第65-66页 |
| ·离散粒子群算法 | 第66-67页 |
| ·粒子群算法拓扑结构 | 第67-69页 |
| ·算法的收敛性分析 | 第69-72页 |
| ·参数设置 | 第72-75页 |
| ·基于粒子群优化的BP神经网络 | 第75-81页 |
| ·神经网络的结构和基本特征 | 第77-78页 |
| ·BP神经网络故障诊断系统 | 第78-79页 |
| ·仿真与结果分析 | 第79-81页 |
| ·小结 | 第81-82页 |
| 5 齿轮箱故障诊断实验 | 第82-118页 |
| ·齿轮箱故障诊断机理及特征信号分析 | 第83-90页 |
| ·齿轮振动机理及失效 | 第83-85页 |
| ·轴承振动机理及失效 | 第85-86页 |
| ·齿轮箱振动信号特征分析及方法 | 第86-90页 |
| ·载荷识别在故障诊断中的应用 | 第90-98页 |
| ·齿轮箱载荷识别原理 | 第90-91页 |
| ·频响函数求逆载荷识别方法 | 第91-92页 |
| ·载荷识别中系统的建模与识别 | 第92-96页 |
| ·理论验证与实验分析 | 第96-98页 |
| ·齿轮箱故障诊断实验安排 | 第98-103页 |
| ·实验设备 | 第98-100页 |
| ·实验设计方案 | 第100-102页 |
| ·信号采集 | 第102-103页 |
| ·自适应滤波在故障诊断中的应用 | 第103-105页 |
| ·粒子滤波在故障诊断中的应用 | 第105-106页 |
| ·粒子群优化神经网络对齿轮箱进行故障诊断 | 第106-116页 |
| ·小结 | 第116-118页 |
| 6 总结与展望 | 第118-121页 |
| ·总结 | 第118-119页 |
| ·展望 | 第119-121页 |
| 参考文献 | 第121-131页 |
| 攻读博士学位期间发表的论文及所取得的研究成果 | 第131-132页 |
| 致谢 | 第132页 |
