粒子群优化及智能故障诊断

第1章 绪论
1．1 群体智能及其特点
1．2 粒子群优化算法的现状与发展
1．2．1 算法的改进
1．2．2 算法的分析
1．2．3 粒子群优化算法的应用
1．2．4 粒子群优化算法的研究方向
1．3 机械故障诊断技术研究概述
1．3．1 故障机理研究
1．3．2 信号处理技术
1．3．3 故障诊断方法
1．3．4 基于人工智能的融合技术的诊断方法
第2章 粒子群优化算法
2．1 基本粒子群优化算法
2．1．1 算法原理
2．1．2 粒子群优化算法收敛性分析
2．1．3 粒子群优化算法流程
2．1．4 基本粒子群优化算法的社会行为分析
2．2 标准粒子群优化算法
2．2．1 带惯性权重粒子群优化算法
2．2．2 带收缩因子粒子群优化算法
2．3 粒子群优化算法的发展
2．3．1 自适应粒子群优化算法
2．3．2 混合粒子群优化算法
2．4 粒子群优化算法参数的设置
2．5 粒子群优化算法与遗传算法的比较
第3章 基于参数策略的粒子群优化算法改进
3．1 动态加速常数的粒子群优化算法
3．1．1 算法描述
3．1．2 算法在函数中的仿真实验
3．1．3 算法在函数中的测试
3．1．4 算法在神经网络中的测试
3．2 速度自适应的粒子群算法
3．2．1 算法描述
3．2．2 算法在函数中仿真研究
3．2．3 算法在神经网络中的仿真研究
3．2．4 算法在神经网络中的测试
3．3 主要控制参数的协同关系分析
3．3．1 已有研究结果概述
3．3．2 参数间的协同关系对算法的性能控制分析
第4章 基于粒子群优化的核主元分析特征提取技术
4．1 基于主元分析方法的特征提取
4．2 基于核主元分析的特征提取技术
4．2．1 算法原理
4．2．2 算法实现
4．3 基于粒子群优化算法的核函数的参数优化
4．3．1 核参数优化适应度建立
4．3．2 粒子群优化核函数参数的实现
4．4 仿真研究
4．4．1 构建Iris仿真数据集
4．4．2 粒子群优化核参数的实现及核主元分析结果
4．5 基于粒子群优化的核主元分析故障样本特征提取
4．5．1 建立齿轮箱特征参数集
4．5．2 基于粒子群优化算法的核参数的优化
4．5．3 核主元分析结果及特征参数提取
第5章 基于粒子群优化的齿轮箱传感器优化配置
5．1 传感器优化布置的研究进展
5．1．1 传感器优化问题的数学模型描述
5．1．2 传感器优化配置准则
5．1．3 传感器优化配置的计算方法
5．2 粒子群优化方法在齿轮箱测点优化中的应用
5．3 齿轮箱有限元建摸与模态计算
5．3．1 齿轮箱箱体建模
5．3．2 齿轮箱箱体计算模态分析
5．4 基于粒子群优化的齿轮箱传感器优化布置的实现
5．4．1 初选点方案
5．4．2 适应度
5．4．3 参数编码
5．4．4 粒子群算法优化测点算法的实现过程
5．4．5 优化结果及分析
5．5 齿轮箱箱体试验模态分析
5．5．1 试验分析的设备
5．5．2 测点布置及测试方案
5．5．3 测点频响特性分析
5．5．4 试验模态结果分析
第6章 基于粒子群优化神经网络的齿轮箱故障诊断方法
6．1 齿轮箱故障机理分析
6．1．1 齿轮常见的故障形式及产生的原因
6．1．2 轴承常见的故障形式及产生的原因
6．2 齿轮箱常见故障的振动特征分析
6．2．1 齿轮的故障特征
6．2．2 轴承的故障特征
6．2．3 轴的故障特征
6．3 齿轮箱故障诊断实验方案
6．3．1 齿轮箱故障的设置
6．3．2 测点的选定
6．3．3 齿轮箱信号采集
6．4 齿轮箱的故障特征值的选取
6．5 粒子群优化神经网络故障诊断算法实现
6．5．1 神经网络故障诊断系统的构建
6．5．2 粒子群优化神经网络参数的设置
6．5．3 神经网络的训练与诊断样本
6．5．4 神经网络的理想输出的设置
6．5．5 神经网络的训练和诊断结果
附录A 基于粒子群优化算法的函数优化程序
附录B 基于粒子群优化算法的故障诊断源程序
参考文献