| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题的研究意义 | 第10-11页 |
| 1.2 压缩机气阀故障诊断概述 | 第11-14页 |
| 1.2.1 压缩机气阀故障诊断现状 | 第11-12页 |
| 1.2.2 压缩机气阀诊断方法概述 | 第12-14页 |
| 1.3 HHT的概述 | 第14-15页 |
| 1.4 神经网络的概述 | 第15-17页 |
| 1.4.1 神经网络的发展概况 | 第16页 |
| 1.4.2 神经网络在故障诊断中的应用 | 第16-17页 |
| 1.5 论文主要工作 | 第17-19页 |
| 第二章 信号的特征分析与提取方法 | 第19-32页 |
| 2.1 短时傅里叶变换的特征分析 | 第19-24页 |
| 2.1.1 窗函数概念 | 第19-21页 |
| 2.1.2 短时傅里叶变换 | 第21页 |
| 2.1.3 短时傅里叶变换对压缩机气阀故障信号的仿真 | 第21-24页 |
| 2.2 基于小波变换的特征分析 | 第24-30页 |
| 2.2.1 小波变换 | 第24-26页 |
| 2.2.2 小波包算法 | 第26-27页 |
| 2.2.3 小波包分解对压缩机气阀故障信号的仿真 | 第27-30页 |
| 2.3 具有自适应特性的信号处理方法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于HHT的压缩机气阀故障特征提取方法 | 第32-48页 |
| 3.1 Hilbert-Huang变换的算法分析 | 第32-37页 |
| 3.1.1 经验模式分解 | 第32-35页 |
| 3.1.2 Hilbert谱和Hilbert边际谱 | 第35-37页 |
| 3.2 主成分分析 | 第37-39页 |
| 3.3 基于主成分分析的HHT特征提取方法 | 第39-41页 |
| 3.3.1 奇异值分解降噪 | 第39-40页 |
| 3.3.2 故障信号特征提取方法 | 第40-41页 |
| 3.4 气阀特征提取实例分析 | 第41-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于BP神经网络的压缩机气阀故障诊断 | 第48-60页 |
| 4.1 人工神经网络 | 第48-50页 |
| 4.1.1 人工神经元的基本知识 | 第48-49页 |
| 4.1.2 人工神经网络的类型 | 第49页 |
| 4.1.3 人工神经网络的学习规则 | 第49-50页 |
| 4.2 BP神经网络 | 第50-55页 |
| 4.2.1 BP神经网络的学习算法 | 第50-54页 |
| 4.2.2 BP神经网络的局限性 | 第54-55页 |
| 4.3 BP神经网络气阀故障诊断 | 第55-59页 |
| 4.3.1 BP神经网络模型的建立 | 第55-57页 |
| 4.3.2 气阀故障诊断实例 | 第57-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 基于GA-PSO优化的BP神经网络的气阀故障诊断 | 第60-71页 |
| 5.1 粒子群优化算法 | 第60-62页 |
| 5.1.1 粒子群优化算法基本原理 | 第60-61页 |
| 5.1.2 粒子群优化算法流程 | 第61-62页 |
| 5.2 改进的粒子群优化算法 | 第62-65页 |
| 5.2.1 遗传算法 | 第63-64页 |
| 5.2.2 GA-PSO算法 | 第64-65页 |
| 5.3 GA-PSO优化BP神经网络 | 第65-66页 |
| 5.4 GA-PSO-BP网络气阀故障诊断 | 第66-70页 |
| 5.4.1 BP神经网络模型的建立 | 第66-67页 |
| 5.4.2 气阀故障诊断实例 | 第67-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 研究结论 | 第71-72页 |
| 6.2 研究展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 攻读硕士学位期间取得的成果 | 第79页 |
