基于能量熵和改进机器学习的轴承故障智能诊断方法研究

目录

第一章绪论

1.1 引言

1.2 滚动轴承故障诊断国内外研究状况

1.2.1国外研究现状

1.2.2 国内研究现状

1.3 论文的研究内容及结构

1.3.1 论文的研究内容

1.3.2 论文结构

第二章滚动轴承故障的常用分析方法

2.1滚动轴承常见故障及振动机理

2.1.1滚动轴承常见故障类型

2.1.2 滚动轴承故障振动机理

2.2 时域分析方法

2.2.1有量纲参数

2.2.2 无量纲参数

2.3 频域分析方法

2.3.1倒频谱

2.3.2阶比谱分析

2.3.3全息谱分析

2.4 时频域上的分析方法

2.4.1小波变换

2.4.2经验模态分解

2.5 本章小结

第三章基于能量熵和支持向量机的故障诊断

3.1 基于自适应噪声的完备经验模态分解

3.1.1 经验模态分解

3.1.2 集合经验模态分解

3.1.3自适应添加噪声的完备集合经验模态分解

3.2 能量熵

3.3 支持向量机

3.3.1支持向量机的基本理论

3.3.2 多值分类支持向量机

3.4基于能量熵和支持向量机的轴承故障诊断

3.4.1 实验流程

3.4.2 实验设置

3.4.3实验

3.5 本章小结

第四章基于能量熵和集成学习的故障诊断

4.1 基于能量熵和集成学习Bagging算法的故障诊断

4.1.1 Bagging算法原理

4.1.2故障诊断实验

4.2 基于能量熵和集成学习Boosting算法的故障诊断

4.2.1 Boosting算法原理

4.2.2故障诊断实验

4.3 集成学习算法性能对比分析

4.4 本章小结

第五章基于粒子群优化集成学习的故障诊断

5.1 粒子群优化算法

5.1.1 粒子群优化算法原理

5.1.2 粒子群优化算法参数分析

5.2 基于粒子群优化集成学习和支持向量机的故障诊断

5.2.1粒子群优化集成学习Bagging算法和支持向量机的参数

5.2.2故障诊断实验

5.3 本章小结

第六章总结和展望

6.1 总结

6.2展望

参考文献

作者简介

致谢