基于分形技术与概率神经网络的柴油机故障诊断
| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-11页 |
| 第一章 绪论 | 第11-21页 |
| ·课题研究背景和意义 | 第11-12页 |
| ·课题研究的背景 | 第11-12页 |
| ·开展柴油机发动机故障诊断技术的主要意义 | 第12页 |
| ·研究内容及国内外研究现状 | 第12-15页 |
| ·国内外研究现状 | 第12-15页 |
| ·国外的故障诊断发展现状 | 第12-13页 |
| ·我国故障诊断技术的发展概况 | 第13-15页 |
| ·机械故障诊断技术的发展趋势 | 第15-16页 |
| ·分形理论概况 | 第16-19页 |
| ·分形理论的发展 | 第16-17页 |
| ·分形理论的应用 | 第17-19页 |
| ·本文研究内容 | 第19-21页 |
| 第二章 小波理论及其在故障诊断中的应用 | 第21-40页 |
| ·小波理论及其应用 | 第21-29页 |
| ·连续小波变换的定义及数字实现 | 第21-25页 |
| ·连续小波变换的定义 | 第21-23页 |
| ·连续小波变换 | 第23-24页 |
| ·离散小波变换 | 第24-25页 |
| ·一维玛拉特算法 | 第25-29页 |
| ·小波去噪模型的建立及应用 | 第29-32页 |
| ·小波去噪模型的建立 | 第29-31页 |
| ·小波去噪模型的应用 | 第31-32页 |
| ·小波包理论在机械故障诊断中的应用 | 第32-37页 |
| ·小波包理论 | 第32-37页 |
| ·小波包滤波 | 第37页 |
| ·小波降噪与小波包降噪效果对比 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第三章 分形理论 | 第40-49页 |
| ·引言 | 第40页 |
| ·分形维数及其测量方法 | 第40-48页 |
| ·长度测量及其维数定义 | 第40-42页 |
| ·盒维数 | 第42-43页 |
| ·信息维数 | 第43页 |
| ·关联维数 | 第43-48页 |
| ·G-P 关联维数算法 | 第44-45页 |
| ·时间延迟的选择 | 第45-46页 |
| ·确定无标度区间 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第四章 分形理论在柴油机故障诊断中的研究 | 第49-63页 |
| ·引言 | 第49页 |
| ·柴油机的介绍及故障设置 | 第49-52页 |
| ·柴油机工作原理 | 第49-50页 |
| ·柴油机实验测量诊断故障类型的选取 | 第50-51页 |
| ·柴油机实验测点设置 | 第51-52页 |
| ·柴油机故障诊断信号获取 | 第52页 |
| ·关联维数在柴油机振动信号中应用 | 第52-62页 |
| ·关联维数的应用 | 第52-55页 |
| ·关联维数在柴油机故障诊断中的应用 | 第55-62页 |
| ·各种工况下信号波形以及关联维数对比 | 第55-62页 |
| ·本章小结 | 第62-63页 |
| 第五章 基于概率神经网络技术的柴油机故障诊断研究 | 第63-78页 |
| ·前言 | 第63页 |
| ·BP 神经网络 | 第63-65页 |
| ·BP 神经网络结构和原理 | 第63-65页 |
| ·BP 神经网络的局限性 | 第65页 |
| ·PNN 神经网络的引入 | 第65-69页 |
| ·PNN 神经网络的原理及结构特点 | 第66-69页 |
| ·PNN 神经网络原理 | 第66-67页 |
| ·PNN 神经网络的结构 | 第67-69页 |
| ·PNN 神经网络的优点 | 第69页 |
| ·基于 PNN 神经网络的柴油机故障诊断 | 第69-77页 |
| ·问题背景 | 第69-71页 |
| ·特征值得选择 | 第70页 |
| ·分类器设计 | 第70-71页 |
| ·PNN 神经网络的建模 | 第71-72页 |
| ·柴油机的 PNN 神经网络故障诊断实现 | 第72-77页 |
| ·本章小结 | 第77-78页 |
| 第六章 总结与展望 | 第78-80页 |
| ·本文总结 | 第78页 |
| ·工作展望 | 第78-80页 |
| 参考文献 | 第80-85页 |
| 攻读硕士学位期间发表的论文 | 第85-86页 |
| 致谢 | 第86-87页 |
