| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 课题研究的目的和意义 | 第12-13页 |
| 1.2 齿轮箱故障诊断技术的研究现状和发展趋势 | 第13-16页 |
| 1.2.1 研究现状 | 第13-14页 |
| 1.2.2 发展趋势 | 第14-16页 |
| 1.2.3 神经网络在齿轮箱中的应用 | 第16页 |
| 1.3 粒子群优化算法的研究简述 | 第16-19页 |
| 1.3.1 研究概述 | 第16-18页 |
| 1.3.2 发展方向 | 第18-19页 |
| 1.4 论文的主要研究内容及结构安排 | 第19-22页 |
| 第2章 粒子群优化算法研究 | 第22-36页 |
| 2.1 粒子群优化算法概念 | 第22-25页 |
| 2.1.1 粒子群优化算法起源 | 第22页 |
| 2.1.2 粒子群优化算法基本原理 | 第22-24页 |
| 2.1.3 粒子群优化算法过程 | 第24-25页 |
| 2.2 改进的PSO算法 | 第25-27页 |
| 2.2.1 理论研究完善 | 第26页 |
| 2.2.2 混合算法改进 | 第26-27页 |
| 2.3 引入变异算子的PSO | 第27-30页 |
| 2.4 仿真实验分析 | 第30-33页 |
| 2.5 粒子群优化算法的应用 | 第33页 |
| 2.6 粒子群优化算法的参数选取 | 第33-35页 |
| 2.7 本章小结 | 第35-36页 |
| 第3章 基于变异算子的PSO算法优化RBF网络 | 第36-44页 |
| 3.1 人工神经网络 | 第36-39页 |
| 3.1.1 人工神经网络研究历程 | 第36-37页 |
| 3.1.2 RBF神经网络 | 第37-39页 |
| 3.2 基于变异算子的PSO优化RBF网络 | 第39-40页 |
| 3.3 RBF网络优化 | 第40-42页 |
| 3.3.1 RBF网络结构设置 | 第40-41页 |
| 3.3.2 RBF网络参数选取 | 第41-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第4章 齿轮箱故障诊断实验 | 第44-58页 |
| 4.1 齿轮箱故障诊断实验设计装置 | 第45-46页 |
| 4.2 故障模式和参数选取 | 第46-47页 |
| 4.3 实验用齿轮传动结构 | 第47-50页 |
| 4.3.1 齿轮传动结构简述 | 第47-49页 |
| 4.3.2 实验对象齿轮选择 | 第49-50页 |
| 4.4 齿轮裂纹等级划分 | 第50-52页 |
| 4.5 齿轮参数选择 | 第52-53页 |
| 4.6 采样频率选择 | 第53-54页 |
| 4.7 实验步骤 | 第54-57页 |
| 4.8 本章小结 | 第57-58页 |
| 第5章 优化后的RBF网络用于齿轮箱故障诊断 | 第58-76页 |
| 5.1 齿轮箱故障诊断过程 | 第58-59页 |
| 5.2 齿轮箱原始振动信号小波包降噪 | 第59-62页 |
| 5.2.1 小波包降噪原理 | 第59-60页 |
| 5.2.2 小波包降噪的主要步骤 | 第60页 |
| 5.2.3 齿轮箱原始振动信号小波包降噪结果分析 | 第60-62页 |
| 5.3 时域特征参数提取 | 第62-65页 |
| 5.4 优化后的RBF网络对齿轮箱进行故障诊断 | 第65-68页 |
| 5.4.1 神经网络模型建立 | 第65-68页 |
| 5.5 基于变异算子的PSO算法参数选取 | 第68页 |
| 5.6 基于变异算子的PSO算法优化RBF网络流程 | 第68-69页 |
| 5.7 优化后的RBF网络的训练与测试 | 第69-74页 |
| 5.8 结果分析 | 第74页 |
| 5.9 本章小结 | 第74-76页 |
| 第6章 总结与展望 | 第76-78页 |
| 6.1 本文研究工作总结 | 第76-77页 |
| 6.2 未来研究的展望 | 第77-78页 |
| 参考文献 | 第78-84页 |
| 攻读硕士期间已发表的论文 | 第84-86页 |
| 致谢 | 第86页 |