摘要 | 第1-10页 |
Abstract | 第10-14页 |
第1章 绪论 | 第14-28页 |
·课题研究背景及意义 | 第14-16页 |
·国内外研究现状及存在的问题 | 第16-23页 |
·数控机床故障诊断技术研究现状 | 第16-17页 |
·知识发现及其在故障诊断方面应用现状 | 第17-19页 |
·软计算理论与智能故障诊断研究现状 | 第19-23页 |
·本文课题来源和主要工作 | 第23-25页 |
·课题来源 | 第23页 |
·研究目标 | 第23页 |
·主要工作 | 第23-25页 |
·解决的关键问题 | 第25页 |
·本文采取的研究方法 | 第25页 |
·本文技术路线 | 第25-26页 |
·本文组织结构 | 第26-28页 |
第2章 主轴组件振动机理分析及实验设计 | 第28-46页 |
·引言 | 第28页 |
·主轴组件振动信号的产生机理---滚动轴承 | 第28-34页 |
·主轴用滚动轴承的振动机理 | 第29-31页 |
·滚动轴承振动的基本参数 | 第31-33页 |
·主轴滚动轴承故障振动信号分析 | 第33-34页 |
·主轴组件振动信号的产生机理---齿轮 | 第34-40页 |
·齿轮齿面磨损和剥落故障机理 | 第34页 |
·齿轮振动分析及特征频率的计算 | 第34-38页 |
·主轴齿轮故障信号特点及其分析 | 第38-40页 |
·实验设计 | 第40-44页 |
·实验目的 | 第40页 |
·实验内容 | 第40-44页 |
·本章小结 | 第44-46页 |
第3章 数据采集与数据融合研究 | 第46-62页 |
·引言 | 第46页 |
·数据采集系统及预处理 | 第46-53页 |
·传感器及信号采集 | 第46-47页 |
·信号预处理单元 | 第47-53页 |
·数据融合 | 第53-59页 |
·数据融合的必要性 | 第53-54页 |
·数据融合过程 | 第54-55页 |
·数据融合方法及算法 | 第55-59页 |
·数据融合效果评价 | 第59页 |
·本章小结 | 第59-62页 |
第4章 基于粗糙集及聚类技术的主轴轴承故障知识获取 | 第62-80页 |
·引言 | 第62页 |
·粗糙集基本概念 | 第62-64页 |
·知识与知识表达系统的粗糙集表述 | 第64-66页 |
·知识属性约简与规则提取算法 | 第66-70页 |
·基于属性重要度的约简算法 | 第66-68页 |
·基于区分矩阵的属性与值约简算法 | 第68-70页 |
·聚类分析 | 第70-71页 |
·k-均值聚类算法 | 第70-71页 |
·等间距聚类算法 | 第71页 |
·基于等间距聚类与属性重要度约简的主轴轴承组件故障诊断实例 | 第71-74页 |
·主轴轴承组件及其故障数据表 | 第71-72页 |
·故障数据离散化 | 第72-73页 |
·数据约简 | 第73-74页 |
·知识规则获取 | 第74页 |
·基于K-均值聚类与区分矩阵约简的主轴轴承组件故障诊断实例 | 第74-79页 |
·主轴轴承组件及其故障数据表 | 第74-75页 |
·基于k-均值聚类的故障数据离散化 | 第75页 |
·区分矩阵约简数据 | 第75-78页 |
·知识规则获取 | 第78-79页 |
·本章小结 | 第79-80页 |
第5章 基于神经网络的主轴齿轮故障知识获取 | 第80-92页 |
·引言 | 第80页 |
·故障数据测点布置位置优化 | 第80-84页 |
·测点选择问题 | 第80页 |
·有限元模态分析 | 第80-81页 |
·测点布置方案 | 第81-82页 |
·有限元正弦简谐载荷响应分析 | 第82-83页 |
·最终测点优化选择 | 第83-84页 |
·振动特征提取 | 第84-86页 |
·基于神经网络的齿轮故障知识获取 | 第86-91页 |
·神经网络知识获取概述 | 第86-87页 |
·BP神经网络 | 第87-88页 |
·用于主轴齿轮故障知识获取的BP神经网络算法及例证 | 第88-91页 |
·本章小结 | 第91-92页 |
结论 | 第92-94页 |
1. 全文总结 | 第92-93页 |
2. 不足及展望 | 第93-94页 |
参考文献 | 第94-104页 |
致谢 | 第104-106页 |
附录A 攻读学位期间所发表的学术论文及科研成果目录 | 第106-108页 |
附录B 攻读学位期间所参与科研项目目录 | 第108-110页 |
附录C 论文中所用部分算法的MATLAB程序清单 | 第110-116页 |
C.1 K-均值聚类算法程序 | 第110-111页 |
C.2 区分矩阵约简程序 | 第111-116页 |