基于GA-NN的旋转机械故障逐次诊断研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 1 绪论 | 第9-22页 |
| ·旋转机械设备故障诊断的意义、目的和发展状况 | 第9-11页 |
| ·旋转机械故障诊断的意义 | 第9页 |
| ·旋转机械故障诊断的目的 | 第9-10页 |
| ·机械故障诊断技术的发展状况 | 第10-11页 |
| ·机械故障诊断研究的主要内容 | 第11-18页 |
| ·故障机理的研究 | 第12页 |
| ·信号处理及故障特征提取方法的研究 | 第12-15页 |
| ·诊断推理方法研究 | 第15-18页 |
| ·遗传算法在故障诊断中的应用 | 第18-20页 |
| ·利用遗传算法提取、优化特征参数 | 第18-19页 |
| ·遗传算法与人工神经网络(ANN) 的结合应用 | 第19页 |
| ·遗传算法与模糊集理论的结合应用 | 第19-20页 |
| ·遗传算法和小波理论的结合应用 | 第20页 |
| ·本论文研究的内容和主要工作 | 第20-22页 |
| ·本文的主要内容 | 第20-21页 |
| ·本文创新点 | 第21-22页 |
| 2 特征参数灵敏度的分析研究 | 第22-59页 |
| ·引言 | 第22-23页 |
| ·故障诊断中传统常用特征参数提取 | 第23-25页 |
| ·时间领域有量纲特征参数 | 第23-24页 |
| ·时间领域的无量纲特征参数 | 第24页 |
| ·频率领域的无量纲特征参数 | 第24-25页 |
| ·特征参数灵敏度 | 第25-28页 |
| ·正态分布 | 第25-26页 |
| ·特征参数灵敏度 | 第26-28页 |
| ·实验系统 | 第28-37页 |
| ·滚动轴承故障实验机械平台 | 第28-31页 |
| ·数据采集系统 | 第31-37页 |
| ·基于实验的故障特征参数灵敏度的分析 | 第37-58页 |
| ·实验设计 | 第37-40页 |
| ·对实验数据分布情况的假设检验 | 第40-41页 |
| ·基于实验的特征参数的概率密度函数 | 第41-58页 |
| ·实验结果分析 | 第58页 |
| ·小结 | 第58-59页 |
| 3 基于遗传算法的特征参数提取研究 | 第59-79页 |
| ·引言 | 第59页 |
| ·问题的提出 | 第59-61页 |
| ·遗传算法理论 | 第61-71页 |
| ·遗传算法概述 | 第61-62页 |
| ·遗传算法的基本流程 | 第62-64页 |
| ·遗传算法的基本描述 | 第64-68页 |
| ·遗传算法的运行参数 | 第68-69页 |
| ·遗传算法的应用 | 第69-71页 |
| ·基于遗传算法特征参数的提取 | 第71-75页 |
| ·初始特征参数 | 第71页 |
| ·特征参数的树形表达 | 第71-73页 |
| ·遗传算法操作 | 第73-75页 |
| ·实验分析 | 第75-78页 |
| ·小结 | 第78-79页 |
| 4 基于遗传算法的特征选择 | 第79-94页 |
| ·引言 | 第79页 |
| ·问题的引出 | 第79-80页 |
| ·特征选择的一般方法 | 第80-82页 |
| ·特征选择的一般过程 | 第82-87页 |
| ·特征选择的搜索策略 | 第82-86页 |
| ·特征子集的评价 | 第86-87页 |
| ·停止条件 | 第87页 |
| ·结果验证 | 第87页 |
| ·基于遗传算法的特征选择 | 第87-92页 |
| ·遗传算法特征选择模型 | 第87-89页 |
| ·遗传算法实现过程 | 第89-92页 |
| ·实验数据分析 | 第92页 |
| ·小结 | 第92-94页 |
| 5 多重神经网络的逐次诊断模型研究 | 第94-110页 |
| ·引言 | 第94页 |
| ·神经网络理论 | 第94-102页 |
| ·神经网络的基本组成 | 第94-96页 |
| ·神经网络的学习 | 第96-98页 |
| ·BP 网络及BP 算法的数学描述 | 第98-101页 |
| ·BP 神经网络的改进 | 第101-102页 |
| ·多重结构神经网络的逐次诊断模型 | 第102-105页 |
| ·实验及结果分析 | 第105-109页 |
| ·小结 | 第109-110页 |
| 6 结论与展望 | 第110-112页 |
| ·研究总结 | 第110-111页 |
| ·未来工作展望 | 第111-112页 |
| 致谢 | 第112-113页 |
| 参考文献 | 第113-123页 |
| 附录 | 第123-125页 |
