特征优化方法研究及其在轴承故障诊断中的应用
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题概述 | 第10-12页 |
| 1.1.1 课题来源 | 第10页 |
| 1.1.2 课题意义 | 第10-12页 |
| 1.2 国内外研究现象综述 | 第12-14页 |
| 1.2.1 特征优化方法 | 第12-13页 |
| 1.2.2 特征优化方法在机械故障诊断中的应用 | 第13-14页 |
| 1.3 主要研究内容及技术路线 | 第14-15页 |
| 1.3.1 问题的提出 | 第14页 |
| 1.3.2 研究内容及技术路线 | 第14-15页 |
| 1.3.3 论文内容安排 | 第15页 |
| 1.4 本章小结 | 第15-16页 |
| 第二章 基于Bayesian优化的特征选择模型 | 第16-26页 |
| 2.1 引言 | 第16-17页 |
| 2.2 数学基础 | 第17-19页 |
| 2.2.1 支持向量机 | 第17-18页 |
| 2.2.2 余弦距离测度 | 第18-19页 |
| 2.3 基于Bayesian优化的特征选择模型 | 第19-20页 |
| 2.4 模型的Bayesian特性 | 第20-22页 |
| 2.5 特征权重学习算法 | 第22-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 基于小波图像融合的特征提取方法 | 第26-40页 |
| 3.1 引言 | 第26-29页 |
| 3.1.1 基于轴承故障模型的故障诊断方法 | 第26-28页 |
| 3.1.2 基于机器学习方法的故障诊断 | 第28-29页 |
| 3.2 融合图像构建 | 第29-33页 |
| 3.2.1 功率谱计算 | 第30-31页 |
| 3.2.2 基于Hankel矩阵的图像融合 | 第31-33页 |
| 3.3 特征选择和图像融合过程 | 第33-38页 |
| 3.3.1 基本图像的融合 | 第33-34页 |
| 3.3.2 与基本图像融合方法 | 第34-36页 |
| 3.3.3 在线诊断图像融合方法 | 第36-38页 |
| 3.3.4 特征提取方法 | 第38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 特征优化方法在轴承故障诊断中的应用 | 第40-53页 |
| 4.1 引言 | 第40页 |
| 4.2 试验一加速疲劳试验 | 第40-46页 |
| 4.2.1 实验设备 | 第41-43页 |
| 4.2.1.1 轴承加速疲劳试验台 | 第41-42页 |
| 4.2.1.2 试验轴承及测试条件 | 第42-43页 |
| 4.2.1.3 实验数据采集及测试系统 | 第43页 |
| 4.2.2 特征选择方法在轴承故障诊断中的应用 | 第43-44页 |
| 4.2.3 实验结果分析 | 第44-46页 |
| 4.3 试验二滚动轴承人工故障试验 | 第46-52页 |
| 4.3.1 试验对象及设备 | 第46-49页 |
| 4.3.2 试验方案和操作流程 | 第49页 |
| 4.3.3 特征提取方法在轴承故障诊断中的应用 | 第49-52页 |
| 4.3.3.1 样本训练 | 第49-50页 |
| 4.3.3.2 样本测试 | 第50页 |
| 4.3.3.3 在线诊断 | 第50页 |
| 4.3.3.4 抗噪声测试 | 第50-51页 |
| 4.3.3.5 对比实验 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 研究工作总结及展望 | 第53-55页 |
| 5.1 研究工作总结 | 第53-54页 |
| 5.2 主要创新点 | 第54页 |
| 5.3 研究工作展望 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间发表的学术论文和科研成果 | 第62-64页 |
