故障诊断和健康管理—动力组和轴承模块分析
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-11页 |
| 1.1 课题背景及意义 | 第6-7页 |
| 1.2 柴油机故障诊断的研究现状和发展趋势 | 第7-10页 |
| 1.2.1 柴油机故障诊断的国内外研究现状 | 第7-9页 |
| 1.2.2 柴油机故障诊断的发展趋势 | 第9-10页 |
| 1.3 本文的研究内容及结构 | 第10-11页 |
| 2 神经网络及模型简介 | 第11-24页 |
| 2.1 神经网络简介 | 第11-15页 |
| 2.1.1 神经网络基本结构 | 第11-13页 |
| 2.1.2 神经网络模型分类 | 第13-14页 |
| 2.1.3 神经网络的特点 | 第14-15页 |
| 2.2 BP神经网络 | 第15-19页 |
| 2.2.1 BP神经网络结构 | 第15-16页 |
| 2.2.2 BP神经网络学习训练算法 | 第16-18页 |
| 2.2.3 BP网络学习算法的改进 | 第18-19页 |
| 2.3 RBF神经网络 | 第19-22页 |
| 2.3.1 RBF神经网络的结构 | 第20-21页 |
| 2.3.2 RBF神经网络的学习训练 | 第21-22页 |
| 2.4 BP神经网络和RBF神经网络的比较 | 第22-24页 |
| 2.4.1 BP神经网络的优缺点 | 第22-23页 |
| 2.4.2 RBF神经网络的优缺点 | 第23-24页 |
| 3 机车柴油机动力组的故障树分析 | 第24-39页 |
| 3.1 故障树法的特点 | 第24-25页 |
| 3.2 故障树法常用的基本符号 | 第25-26页 |
| 3.3 故障树分析的步骤 | 第26-31页 |
| 3.3.1 故障树的建立 | 第27-29页 |
| 3.3.2 故障树的定性分析 | 第29-30页 |
| 3.3.3 故障树的定量分析 | 第30-31页 |
| 3.4 柴油机动力组的故障树 | 第31-39页 |
| 4 基于神经网络对柴油机动力组的故障诊断 | 第39-53页 |
| 4.1 神经网络在柴油机故障诊断中的应用 | 第39-40页 |
| 4.2 BP网络对柴油机缸套磨损的故障诊断 | 第40-49页 |
| 4.2.1 BP神经网络模型的建立 | 第40-43页 |
| 4.2.2 标准BP神经网络的学习训练 | 第43-44页 |
| 4.2.3 改进BP网络的学习训练 | 第44-47页 |
| 4.2.4 LM算法改进BP网络的训练及测试结果 | 第47-49页 |
| 4.3 RBF网络对柴油机缸套磨损的故障诊断 | 第49-53页 |
| 4.3.1 RBF网络模型的设计 | 第49-50页 |
| 4.3.2 RBF网络的训练和测试 | 第50-53页 |
| 5 基于神经网络对机车滚动轴承的故障诊断 | 第53-63页 |
| 5.1 滚动轴承常见故障 | 第53-54页 |
| 5.2 滚动轴承的故障特征频率 | 第54-55页 |
| 5.3 小波包分析理论 | 第55-57页 |
| 5.3.1 小波分析 | 第55-56页 |
| 5.3.2 小波包分析 | 第56-57页 |
| 5.4 RBF网络对机车轴承的故障诊断 | 第57-63页 |
| 5.4.1 轴承故障特征量的提取 | 第57-59页 |
| 5.4.2 RBF网络的创建 | 第59-61页 |
| 5.4.3 RBF网络的测试仿真 | 第61-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-66页 |
| 致谢 | 第66-68页 |
