摘要 | 第1-5页 |
ABSTRACT | 第5-7页 |
目录 | 第7-10页 |
第一章 绪论 | 第10-23页 |
·选题的背景及意义 | 第10-11页 |
·机械设备故障诊断技术 | 第11-13页 |
·机械设备的主要故障形式 | 第11页 |
·机械设备故障诊断技术 | 第11-12页 |
·机械设备故障诊断技术的发展趋势 | 第12-13页 |
·油液监测技术 | 第13-15页 |
·铁谱技术 | 第15-21页 |
·铁谱技术的发展 | 第15-16页 |
·铁谱分析仪器及工作原理 | 第16-19页 |
·铁谱磨粒图像识别技术 | 第19-21页 |
·模式识别 | 第21-22页 |
·课题来源发 | 第22页 |
·本论文的主要研究工作 | 第22-23页 |
·研究目的及方法 | 第22页 |
·研究内容 | 第22页 |
·论文的结构框架 | 第22-23页 |
第二章 铁谱磨粒 | 第23-37页 |
·磨损的分类及机理 | 第23-27页 |
·粘着磨损(Adhesive Wear) | 第23-24页 |
·磨料磨损(Abrasive Wear) | 第24页 |
·表面疲劳磨损(Surface Fatigue) | 第24-25页 |
·腐蚀磨损(Corrosive wear) | 第25-26页 |
·微动磨损(Fretting wear) | 第26页 |
·磨损形式的转化 | 第26-27页 |
·磨粒的分类 | 第27-33页 |
·与粘着磨损有关的磨粒 | 第27-28页 |
·与磨料磨损有关的磨粒 | 第28页 |
·与疲劳磨损有关的磨粒 | 第28页 |
·与腐蚀磨损有关的磨粒 | 第28-29页 |
·非金属微粒 | 第29页 |
·磨粒种类总结 | 第29-33页 |
·磨粒的特征 | 第33-36页 |
·磨粒几何形状特征 | 第33-34页 |
·磨粒纹理特征 | 第34-35页 |
·磨粒颜色特征 | 第35-36页 |
·本章小结 | 第36-37页 |
第三章 磨粒智能识别方法 | 第37-53页 |
·磨粒图像处理 | 第37-41页 |
·磨粒图像获取 | 第37页 |
·磨粒图像格式转换 | 第37页 |
·磨粒图像分割 | 第37-38页 |
·磨粒图像增强 | 第38-39页 |
·磨粒图像滤波 | 第39页 |
·磨粒图像边缘检测 | 第39-40页 |
·磨粒图像处理的一般步骤 | 第40-41页 |
·磨粒特征的提取 | 第41-45页 |
·磨粒几何形状特征的提取 | 第41-43页 |
·磨粒纹理特征的提取 | 第43-44页 |
·磨粒颜色特征的提取 | 第44-45页 |
·磨粒智能识别方法 | 第45-52页 |
·人工智能(Artificial Intelligence) | 第45-46页 |
·支持向量机(Support Vector Machine) | 第46-48页 |
·免疫算法(Immune Algorithm) | 第48-50页 |
·免疫优化支持向量机算法(IA-SVM) | 第50-52页 |
·本章小结 | 第52-53页 |
第四章 磨粒分类器WP_IA-SVM设计与实现 | 第53-79页 |
·磨粒分类器的设计思想 | 第53页 |
·分类器的系统结构 | 第53-55页 |
·分类器的硬件设计 | 第53-54页 |
·分类器的软件设计 | 第54-55页 |
·软件各模块功能 | 第55-59页 |
·文件子系统(File) | 第55-56页 |
·MATLAB图像预处理子系统(Preprocess) | 第56-57页 |
·磨粒特征提取子系统(Feature) | 第57-58页 |
·磨粒自动识别子系统(Train&Identification) | 第58-59页 |
·结果处理子系统(Postprocess) | 第59页 |
·磨粒分类器的实现 | 第59-70页 |
·磨粒分类器实现程序 | 第59-64页 |
·磨粒分类器运行过程 | 第64-70页 |
·仿真试验 | 第70-78页 |
·试验环境 | 第70页 |
·试验对象 | 第70-75页 |
·磨粒试验数据 | 第75-77页 |
·磨粒分类结果分析 | 第77-78页 |
·本章小结 | 第78-79页 |
第五章 结论与展望 | 第79-81页 |
致谢 | 第81-83页 |
参考文献 | 第83-85页 |