粗糙集神经网络故障诊断方法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 符号说明 | 第8-9页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究意义 | 第9-10页 |
| 1.2 故障诊断技术的国内外现状和发展趋势 | 第10-11页 |
| 1.2.1 国内外现状 | 第10-11页 |
| 1.2.2 发展趋势 | 第11页 |
| 1.3 故障诊断基本方法 | 第11-13页 |
| 1.3.1 基于系统数学模型的诊断方法 | 第11-12页 |
| 1.3.2 基于信号分析和处理的方法 | 第12页 |
| 1.3.3 基于人工智能的故障诊断方法 | 第12-13页 |
| 1.4 粗糙集神经网络诊断系统的研究现状 | 第13-15页 |
| 1.5 论文的主要研究内容 | 第15-16页 |
| 第二章 粗糙集理论概要 | 第16-23页 |
| 2.1 知识的概念 | 第16-18页 |
| 2.1.1 知识与不可分辨关系 | 第16-17页 |
| 2.1.2 知识的划分 | 第17-18页 |
| 2.2 知识的表达 | 第18-20页 |
| 2.2.1 知识表达系统 | 第18-19页 |
| 2.2.2 知识约简和核 | 第19-20页 |
| 2.2.3 知识的相对约简和相对核 | 第20页 |
| 2.3 粗糙集的度量 | 第20-22页 |
| 2.3.1 集合的近似精度和粗糙度 | 第20-21页 |
| 2.3.2 近似分类精度和近似分类质量 | 第21页 |
| 2.3.3 知识的依赖度 | 第21-22页 |
| 2.3.4 参数重要性 | 第22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 属性约简算法研究 | 第23-36页 |
| 3.1 连续属性的离散化 | 第23-26页 |
| 3.1.1 离散化定义 | 第23页 |
| 3.1.2 几种连续属性离散化的方法 | 第23-26页 |
| 3.2 粗糙集一般约简算法 | 第26-28页 |
| 3.3 基于差别矩阵的属性约简算法 | 第28-35页 |
| 3.3.1 差别矩阵的定义 | 第28页 |
| 3.3.2 基于差别矩阵的属性约简算法 | 第28-31页 |
| 3.3.3 改进算法 | 第31-32页 |
| 3.3.4 不相容决策表的差别矩阵 | 第32-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 人工神经网络 | 第36-44页 |
| 4.1 人工神经网络的特性 | 第36页 |
| 4.2 BP神经网络 | 第36-41页 |
| 4.2.1 BP神经元和BP网络模型结构 | 第37-38页 |
| 4.2.2 BP网络学习算法 | 第38-41页 |
| 4.3 神经网络在故障诊断中的应用 | 第41-43页 |
| 4.3.1 确定神经网络的输入和输出 | 第42页 |
| 4.3.2 网络结构的选择 | 第42-43页 |
| 4.3.3 网络的训练和检验 | 第43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 粗糙集神经网络的应用研究 | 第44-60页 |
| 5.1 诊断模型的提出 | 第44-45页 |
| 5.2 特征值提取 | 第45-52页 |
| 5.2.1 齿轮的常见失效形式 | 第45页 |
| 5.2.2 齿轮振动信号的时、频域分析 | 第45-50页 |
| 5.2.3 齿轮的子带能量特征提取法 | 第50-52页 |
| 5.3 数据的归一化 | 第52-53页 |
| 5.4 离散化 | 第53-54页 |
| 5.5 基于差别矩阵的属性约简 | 第54-56页 |
| 5.6 BP神经网络诊断 | 第56-59页 |
| 5.7 本章小结 | 第59-60页 |
| 第六章 结论 | 第60-61页 |
| 6.1 全文总结 | 第60页 |
| 6.2 工作展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间发表的论文 | 第65-66页 |
