首页--工业技术论文--金属学与金属工艺论文--组合机床及其加工论文--程序控制机床、数控机床及其加工论文

数控机床主轴组件故障的知识发现研究

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

论文共116页,点击 下载论文
上一篇:绝缘片约束TIG电弧的静电探针分析及其在超窄间隙中的加热特性
下一篇:非圆齿轮数控滚切加工误差分析研究