摘要 | 第3-4页 |
Abstract | 第4-5页 |
第一章 引言 | 第9-17页 |
1.1 课题研究背景及意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-14页 |
1.2.1 齿轮箱故障诊断的研究现状 | 第10-12页 |
1.2.2 神经网络在齿轮箱故障诊断中的研究现状 | 第12-14页 |
1.2.3 智能故障诊断技术的研究现状 | 第14页 |
1.3 混合蛙跳算法的研究发展 | 第14-15页 |
1.4 齿轮箱故障诊断研究待解决的问题 | 第15页 |
1.5 本文的主要研究内容 | 第15-17页 |
第二章 齿轮箱故障机理及故障特征提取研究 | 第17-36页 |
2.1 齿轮箱的常见故障 | 第17-19页 |
2.1.1 齿轮的常见失效形式及成因 | 第17-18页 |
2.1.2 轴承的常见失效形式及成因 | 第18-19页 |
2.2 齿轮箱振动机理 | 第19-22页 |
2.2.1 齿轮的振动信号产生机理 | 第19-21页 |
2.2.2 滚动轴承的振动信号产生机理 | 第21-22页 |
2.3 齿轮箱振动信号分析处理技术 | 第22-29页 |
2.3.1 时域统计指标 | 第22-25页 |
2.3.2 频域统计指标 | 第25-27页 |
2.3.3 频域分析技术 | 第27-29页 |
2.4 基于小波变换的传动箱振动信号降噪方法 | 第29-34页 |
2.5 本章小结 | 第34-36页 |
第三章 混合蛙跳算法 | 第36-44页 |
3.1 混合蛙跳算法的理论概述 | 第36-40页 |
3.1.1 SFLA算法的基本原理 | 第36页 |
3.1.2 SFLA算法的渊源 | 第36-39页 |
3.1.3 SFLA算法的研究内容及特点 | 第39-40页 |
3.2 混合蛙跳算法的数学表达 | 第40-42页 |
3.2.1 SFLA初始化参数设定 | 第40-41页 |
3.2.2 SFLA算法的流程 | 第41-42页 |
3.3 蛙跳规则的改进 | 第42-43页 |
3.4 小结 | 第43-44页 |
第四章 混合蛙跳算法优化BP神经网络 | 第44-54页 |
4.1 人工神经网络的研究 | 第44-48页 |
4.1.1 人工神经网络的特点 | 第44-45页 |
4.1.2 BP神经网络学习规则 | 第45-48页 |
4.2 SFLA-BP网络模型 | 第48-50页 |
4.2.1 SFLA-BP网络模型步骤 | 第48-50页 |
4.3 SFLA—BP算法在随机样本数据中的仿真实验 | 第50-53页 |
4.3.1 SFLA—BP算法仿真实验设置 | 第50页 |
4.3.2 FLAS—BP算法训练结果及分析 | 第50-52页 |
4.3.3 SFLA-BP网络算法模型与BP算法仿真实验结果对比分析 | 第52-53页 |
4.4 小结 | 第53-54页 |
第五章 齿轮箱振动信号采集与故障诊断实验 | 第54-73页 |
5.0 齿轮箱故障诊断研究过程及方法 | 第54-55页 |
5.1 齿轮箱振动信号采集实验 | 第55-59页 |
5.1.1 齿轮箱故障诊断实验装置 | 第55-57页 |
5.1.2 齿轮箱故障设置 | 第57页 |
5.1.3 测点的选取 | 第57-58页 |
5.1.4 齿轮箱信号采集 | 第58-59页 |
5.2 齿轮箱故障特征参数的选择 | 第59页 |
5.3 基于小波分析的振动信号去噪 | 第59-62页 |
5.3.1 小波去噪 | 第60页 |
5.3.2 原始数据的去噪与分析 | 第60-62页 |
5.4 神经网络的样本数据及标准输出 | 第62-64页 |
5.4.1 构建训练样本与诊断样本 | 第62页 |
5.4.2 归一化处理特征参数 | 第62-64页 |
5.4.3 神经网络的标准输出设置 | 第64页 |
5.5 SFLA-BP算法模型在齿轮箱故障诊断中的实现 | 第64-67页 |
5.5.1 诊断系统构建及参数的选择 | 第64-65页 |
5.5.2 混合蛙跳优化神经网络仿真结果与数据分析 | 第65-67页 |
5.6 BP网络、PSO-BP网络与FLAS-BP网络算法的对比 | 第67-72页 |
5.7 本章结论 | 第72-73页 |
第六章 结论与展望 | 第73-75页 |
6.1 研究结论 | 第73页 |
6.2 课题展望 | 第73-75页 |
参考文献 | 第75-80页 |
攻读硕士学位期间发表的论文 | 第80-81页 |
致谢 | 第81-82页 |