论文主要创新点 | 第1-8页 |
摘要 | 第8-10页 |
Abstract | 第10-12页 |
1 绪论 | 第12-30页 |
·引言 | 第12-13页 |
·水电机组故障诊断概述 | 第13-17页 |
·水电机组故障诊断的作用 | 第13-14页 |
·国外故障诊断发展现状 | 第14-16页 |
·国内故障诊断发展现状 | 第16-17页 |
·故障特征提取与故障诊断方法综述 | 第17-25页 |
·故障特征提取方法综述 | 第17-20页 |
·故障诊断方法综述 | 第20-25页 |
·研究背景与意义 | 第25-27页 |
·论文的结构与内容 | 第27-30页 |
2 基于多小波相邻系数降噪的水电机组振动信号降噪方法研究 | 第30-56页 |
·引言 | 第30页 |
·小波理论 | 第30-40页 |
·小波变换及多分辨率分析基础 | 第30-35页 |
·小波的Mallat算法 | 第35-37页 |
·几种常用的小波 | 第37-40页 |
·多小波理论 | 第40-49页 |
·多小波的多分辨率分析基础 | 第40-42页 |
·多小波的Mallat算法 | 第42-43页 |
·多小波预处理方法 | 第43-44页 |
·几种常用的多小波 | 第44-49页 |
·基于多小波相邻系数降噪的水电机组振动信号降噪方法 | 第49-55页 |
·小波阈值降噪方法 | 第50-51页 |
·多小波相邻系数降噪方法 | 第51-52页 |
·水电机组振动仿真信号降噪实例 | 第52-55页 |
·本章小结 | 第55-56页 |
3 基于综合检测指数的水电机组自适应多小波振动故障特征提取方法研究 | 第56-86页 |
·引言 | 第56页 |
·自适应多小波理论 | 第56-61页 |
·两尺度相似变换 | 第56-58页 |
·自适应多小波构造 | 第58-61页 |
·综合检测指数 | 第61-62页 |
·基于综合检测指数的水电机组自适应多小波振动故障特征提取方法 | 第62-85页 |
·遗传算法 | 第63-64页 |
·最优多小波选择 | 第64-66页 |
·水电机组振动故障特征提取实例 | 第66-85页 |
·本章小结 | 第85-86页 |
4 基于蚁群初始化小波网络的水电机组振动故障诊断方法研究 | 第86-105页 |
·引言 | 第86-87页 |
·人工神经网络 | 第87-91页 |
·人工神经元 | 第87-89页 |
·人工神经网络的结构 | 第89-90页 |
·人工神经网络的特点 | 第90-91页 |
·人工神经网络存在的问题 | 第91页 |
·小波网络 | 第91-95页 |
·小波网络的理论基础 | 第92页 |
·小波网络的分类和结构 | 第92-93页 |
·小波网络训练算法 | 第93-95页 |
·蚁群初始化小波网络 | 第95-97页 |
·蚁群算法原理 | 第95-96页 |
·蚁群初始化小波网络原理和步骤 | 第96-97页 |
·基于蚁群初始化小波网络的水电机组振动故障诊断 | 第97-104页 |
·频谱分量幅值特征参数诊断实例 | 第97-100页 |
·自适应多小波特征参数诊断实例 | 第100-104页 |
·本章小结 | 第104-105页 |
5 基于径向基多小波网络的水电机组振动故障诊断方法研究 | 第105-122页 |
·引言 | 第105页 |
·径向基神经网络 | 第105-109页 |
·径向基神经网络结构 | 第106页 |
·径向基神经网络相关参数的选择方法 | 第106-107页 |
·径向基神经网络训练 | 第107-109页 |
·径向基多小波网络 | 第109-114页 |
·多小波网络的理论基础 | 第109页 |
·多小波网络的分类和结构 | 第109-113页 |
·径向基多小波网络参数的确定 | 第113-114页 |
·径向基多小波网络训练 | 第114页 |
·基于径向基多小波网络的水电机组振动故障诊断 | 第114-121页 |
·频谱分量幅值特征参数诊断实例 | 第114-117页 |
·自适应多小波特征参数诊断实例 | 第117-121页 |
·本章小结 | 第121-122页 |
6 总结与展望 | 第122-124页 |
·全文总结 | 第122-123页 |
·工作展望 | 第123-124页 |
参考文献 | 第124-136页 |
附录1 攻读博士学位期间发表的学术论文 | 第136-137页 |
附录2 攻读博士学位期间参与的科研项目 | 第137-138页 |
附录3 中英文对照表 | 第138-139页 |
致谢 | 第139-140页 |