基于粗糙集理论的齿轮箱故障诊断研究
| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 1 绪论 | 第13-25页 |
| ·课题的研究背景和意义 | 第13-14页 |
| ·齿轮箱故障诊断技术的研究现状 | 第14-18页 |
| ·局域波分解技术 | 第18-19页 |
| ·粗糙集理论 | 第19-21页 |
| ·智能故障诊断技术 | 第21-23页 |
| ·本文的研究内容 | 第23-25页 |
| 2 齿轮箱振动信号处理技术 | 第25-48页 |
| ·齿轮箱的振动特性 | 第25-30页 |
| ·齿轮箱的故障机理 | 第25-28页 |
| ·齿轮箱振动信号特性分析 | 第28-30页 |
| ·局域波分解技术 | 第30-36页 |
| ·瞬时频率 | 第31-33页 |
| ·局域波分解原理 | 第33-34页 |
| ·EMD的主要性质 | 第34-36页 |
| ·EMD的主要问题 | 第36-41页 |
| ·端点效应 | 第36-40页 |
| ·模态混叠 | 第40-41页 |
| ·希尔伯特谱分析 | 第41-46页 |
| ·基本概念 | 第41-42页 |
| ·仿真信号分析 | 第42-45页 |
| ·齿轮箱故障信号分析 | 第45-46页 |
| ·本章小结 | 第46-48页 |
| 3 粗糙集关键技术研究 | 第48-82页 |
| ·粗糙集理论基础 | 第48-52页 |
| ·知识的基本表示方法 | 第48-49页 |
| ·粗糙集的基本概念 | 第49-52页 |
| ·连续属性离散化技术 | 第52-65页 |
| ·连续属性离散化方法 | 第53-57页 |
| ·全局寻优的离散化方法 | 第57-62页 |
| ·离散算法应用案例 | 第62-65页 |
| ·属性约简技术 | 第65-73页 |
| ·基于启发式信息的约简算法 | 第66-69页 |
| ·基于条件等价类的约简算法 | 第69-70页 |
| ·约简算法应用案例 | 第70-73页 |
| ·值约简算法 | 第73-79页 |
| ·一般值约简算法 | 第74-75页 |
| ·基于决策间不可分辨关系的值约简算法 | 第75-76页 |
| ·基于决策矩阵的贪心算法 | 第76-79页 |
| ·变精度粗糙集模型 | 第79-80页 |
| ·本章小结 | 第80-82页 |
| 4 基于粗糙集的齿轮箱故障诊断 | 第82-106页 |
| ·齿轮箱故障诊断实验 | 第82-86页 |
| ·试验方案与信号采集 | 第83-84页 |
| ·振动信号的时频域分析 | 第84-86页 |
| ·故障特征参量提取 | 第86-93页 |
| ·基于EEMD的能量特征参量 | 第86-90页 |
| ·基于EEMD的近似熵 | 第90-92页 |
| ·衡量故障特征参量的指标 | 第92-93页 |
| ·粗糙集在故障诊断中的应用 | 第93-104页 |
| ·故障特征参量集的优化 | 第93-98页 |
| ·故障监测点的优化配置 | 第98-100页 |
| ·决策规则的获取 | 第100-104页 |
| ·本章小结 | 第104-106页 |
| 5 基于粗糙集理论的智能故障诊断系统 | 第106-127页 |
| ·神经网络 | 第107-111页 |
| ·BP神经网络 | 第107-109页 |
| ·粒子群优化的神经网络 | 第109-111页 |
| ·粗糙集神经网络故障诊断系统 | 第111-113页 |
| ·支持向量机 | 第113-123页 |
| ·统计学习理论 | 第114-116页 |
| ·最优分类超平面与核函数 | 第116-119页 |
| ·支持向量机的多分类问题 | 第119-121页 |
| ·最小二乘支持向量机 | 第121-123页 |
| ·粗糙集支持向量机故障诊断系统 | 第123-125页 |
| ·本章小结 | 第125-127页 |
| 6 总结与展望 | 第127-131页 |
| ·本文工作总结 | 第127-129页 |
| ·未来研究工作展望 | 第129-131页 |
| 参考文献 | 第131-143页 |
| 攻读博士期间发表的论文及已取得的研究成果 | 第143-144页 |
| 致谢 | 第144页 |
