基于小波分析和神经网络的模拟故障诊断方法研究
| 中文摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 模拟电路故障诊断研究的背景与意义 | 第12-14页 |
| 1.2 模拟电路故障诊断方法的研究现状 | 第14-17页 |
| 1.2.1 国外故障诊断发展历史 | 第14-16页 |
| 1.2.2 国内故障诊断发展历史 | 第16-17页 |
| 1.3 本文的主要工作及结构安排 | 第17-19页 |
| 1.3.1 本文的主要工作 | 第17-18页 |
| 1.3.2 本文的结构安排 | 第18-19页 |
| 第2章 基于BP神经网络的模拟电路故障诊断 | 第19-37页 |
| 2.1 神经网络概述 | 第19-22页 |
| 2.1.1 人工神经元模型 | 第19-20页 |
| 2.1.2 神经网络的特点 | 第20-21页 |
| 2.1.3 神经网络的学习方式 | 第21-22页 |
| 2.2 故障诊断概述 | 第22-26页 |
| 2.2.1 模拟电路故障诊断的任务 | 第22-23页 |
| 2.2.2 故障电路的分类 | 第23-25页 |
| 2.2.3 故障诊断的方法 | 第25-26页 |
| 2.3 基于神经网络的故障诊断 | 第26-30页 |
| 2.3.1 BP神经网络 | 第26页 |
| 2.3.2 故障特征的提取 | 第26-27页 |
| 2.3.3 构造样本集 | 第27-28页 |
| 2.3.4 BP神经网络算法 | 第28-30页 |
| 2.4 故障诊断实例 | 第30-36页 |
| 2.4.1 故障电路分析 | 第30-32页 |
| 2.4.2 样本集的构造及数据预处理 | 第32-34页 |
| 2.4.3 BP神经网络的设计、训练与诊断 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 小波熵和峭度在故障特征提取方面的运用 | 第37-51页 |
| 3.1 基本理论 | 第37-42页 |
| 3.1.1 小波理论 | 第37-39页 |
| 3.1.2 小波熵 | 第39-40页 |
| 3.1.3 峭度 | 第40-42页 |
| 3.2 实例分析 | 第42-50页 |
| 3.2.1 分析电路的选取 | 第42-43页 |
| 3.2.2 小波熵特征提取 | 第43-46页 |
| 3.2.3 子信号峭度的故障特征提取 | 第46-50页 |
| 3.3 本章小结 | 第50-51页 |
| 第4章 基于多分辨分析和信息融合的模拟故障诊断 | 第51-60页 |
| 4.1 相关理论 | 第51-53页 |
| 4.1.1 多分辨分析 | 第51-52页 |
| 4.1.2 信息融合 | 第52-53页 |
| 4.2 故障特征提取和处理 | 第53-55页 |
| 4.2.1 多分辨分析的故障特征提取 | 第53-54页 |
| 4.2.2 能量分布特征提取 | 第54-55页 |
| 4.2.3 特征向量关联处理 | 第55页 |
| 4.3 基于多分辨分析和信息融合的故障诊断方法 | 第55-56页 |
| 4.4 故障诊断实例 | 第56-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 基于小波神经网络的模拟电路故障诊断方法 | 第60-71页 |
| 5.1 几种常用的小波函数 | 第60-64页 |
| 5.1.1 Haar小波 | 第60-61页 |
| 5.1.2 Daubechies小波 | 第61-62页 |
| 5.1.3 SymletsA(symN)小波簇 | 第62页 |
| 5.1.4 Morlet小波 | 第62-63页 |
| 5.1.5 Mexican Hat小波 | 第63-64页 |
| 5.1.6 Meyer小波 | 第64页 |
| 5.2 小波函数的选取 | 第64-66页 |
| 5.3 小波神经网络及其算法 | 第66-67页 |
| 5.4 诊断实例 | 第67-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士期间发表的学术论文 | 第78-79页 |
| 致谢 | 第79-80页 |
