| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 引言 | 第9-19页 |
| ·课题的来源、目的及意义 | 第9-10页 |
| ·课题来源 | 第9页 |
| ·目的及意义 | 第9-10页 |
| ·机械设备故障诊断技术的发展 | 第10-12页 |
| ·机械设备故障诊断技术的发展概况 | 第10-11页 |
| ·机械设备故障诊断信号特征提取技术 | 第11-12页 |
| ·人工神经网络及在故障诊断知识获取方面的应用 | 第12-18页 |
| ·人工神经网络概述 | 第12页 |
| ·知识获取的基本过程 | 第12-14页 |
| ·神经网络知识获取的方法 | 第14-15页 |
| ·神经网络知识获取的特点 | 第15-16页 |
| ·自组织特征映射神经网络 | 第16-17页 |
| ·人工神经网络在专家系统知识获取方面的应用 | 第17-18页 |
| ·本文主要研究内容 | 第18-19页 |
| 第2章 SOFM 及在知识获取中的应用 | 第19-36页 |
| ·引言 | 第19页 |
| ·SOFM 网络 | 第19-26页 |
| ·SOFM 网络结构 | 第20-21页 |
| ·SOFM 网络学习算法 | 第21-26页 |
| ·知识获取实例分析 | 第26-27页 |
| ·网络训练结果可视化方法讨论 | 第27-35页 |
| ·U－矩阵方法 | 第28-30页 |
| ·可视化实例分析 | 第30-32页 |
| ·可视化方法改进讨论 | 第32-35页 |
| ·SOFM 网络知识获取的局限性 | 第35页 |
| ·本章小结 | 第35-36页 |
| 第3章 小波分析及在特征提取中的应用 | 第36-50页 |
| ·小波分析概述 | 第36页 |
| ·小波识别原理 | 第36-37页 |
| ·小波变换及其工程解释 | 第37-44页 |
| ·连续小波变换 | 第37-38页 |
| ·离散小波变换 | 第38-39页 |
| ·小波包分析 | 第39-42页 |
| ·小波分析的直观理解及其工程解释 | 第42-44页 |
| ·小波分析的应用技术 | 第44-49页 |
| ·小波分析用于信号消噪处理 | 第44页 |
| ·小波分析用于信号的特征提取 | 第44-46页 |
| ·对某些频率区间的信号进行抑制或衰减 | 第46-47页 |
| ·信号奇异性检测 | 第47-48页 |
| ·识别含噪声信号中有用信号的发展趋势 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第4章 基于小波-SOFM 知识获取模型及在故障诊断中的应用 | 第50-70页 |
| ·引言 | 第50页 |
| ·滚动轴承振动信号的特征提取技术 | 第50-52页 |
| ·时域特征提取技术 | 第50-51页 |
| ·能量特征提取技术 | 第51-52页 |
| ·基于小波和 SOFM 的知识获取模型的提出 | 第52页 |
| ·小波-SOFM 在轴承故障模式识别中的应用 | 第52-64页 |
| ·轴承故障模式识别研究 | 第52-56页 |
| ·实例分析 | 第56-64页 |
| ·滚动轴承故障诊断系统 | 第64-69页 |
| ·系统设计 | 第64页 |
| ·系统的总体结构 | 第64-65页 |
| ·系统的功能实现 | 第65-69页 |
| ·本章小结 | 第69-70页 |
| 第5章 总结和展望 | 第70-72页 |
| ·全文回顾 | 第70-71页 |
| ·展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-76页 |
| 附录 1 硕士期间发表的论文 | 第76-77页 |
| 附录 2 硕士期间参加的科研项目 | 第77页 |