基于PSO-BP神经网络的柱塞泵故障诊断方法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 故障诊断技术研究现状 | 第11-13页 |
| 1.2.2 柱塞泵故障诊断研究现状 | 第13-14页 |
| 1.3 论文研究内容 | 第14-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 轴向柱塞泵介绍与故障机理分析 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 柱塞泵工作原理 | 第18-19页 |
| 2.3 柱塞泵的常见故障及特性分析 | 第19-25页 |
| 2.3.1 常见的柱塞泵故障 | 第19-20页 |
| 2.3.2 柱塞泵故障的特点 | 第20页 |
| 2.3.3 柱塞泵的振动传递路径 | 第20-21页 |
| 2.3.4 柱塞泵包含的主要振动频率 | 第21-22页 |
| 2.3.5 柱塞泵的Hilbert包络谱分析 | 第22-25页 |
| 2.4 振动信号预处理 | 第25页 |
| 2.5 本章总结 | 第25-28页 |
| 第三章 柱塞泵振动信号的特征提取 | 第28-48页 |
| 3.1 引言 | 第28页 |
| 3.2 小波包降噪原理与应用 | 第28-35页 |
| 3.2.1 小波包降噪基本原理 | 第28-29页 |
| 3.2.2 降噪评价标准 | 第29-30页 |
| 3.2.3 基于小波包的柱塞泵振动信号降噪 | 第30-35页 |
| 3.3 EMD基本原理 | 第35-43页 |
| 3.3.1 仿真信号分析 | 第36-38页 |
| 3.3.2 噪声对EMD分解的影响 | 第38-39页 |
| 3.3.3 柱塞泵振动信号的EMD | 第39-43页 |
| 3.4 基于IMF能量特征提取的改进 | 第43-44页 |
| 3.5 特征提取的仿真分析 | 第44-47页 |
| 3.6 本章总结 | 第47-48页 |
| 第四章 基于PSO-BP神经网络的柱塞泵故障诊断 | 第48-62页 |
| 4.1 引言 | 第48页 |
| 4.2 BP神经网络结构 | 第48-50页 |
| 4.3 粒子群算法的基本原理 | 第50-51页 |
| 4.4 基于PSO的BP神经网络模型建立 | 第51-53页 |
| 4.5 BP与PSO-BP性能对比实验 | 第53-59页 |
| 4.5.1 实验样本的特征提取 | 第53-56页 |
| 4.5.2 神经网络的建立 | 第56-59页 |
| 4.6 本章总结 | 第59-62页 |
| 第五章 柱塞泵实验分析 | 第62-72页 |
| 5.1 引言 | 第62页 |
| 5.2 实验配置 | 第62-64页 |
| 5.2.1 信号采集系统 | 第62页 |
| 5.2.2 实验所用传感器 | 第62-63页 |
| 5.2.3 Lab VIEW简介 | 第63-64页 |
| 5.3 信号采集原理 | 第64-67页 |
| 5.3.1 柱塞泵测试实验台的搭建 | 第64-66页 |
| 5.3.2 Lab VIEW数据采集 | 第66-67页 |
| 5.3.3 实验步骤 | 第67页 |
| 5.4 实验样本的选取 | 第67-68页 |
| 5.5 基于灰色关联度的柱塞泵故障诊断 | 第68-71页 |
| 5.5.1 灰色关联度原理 | 第68页 |
| 5.5.2 灰色关联度计算过程 | 第68-70页 |
| 5.5.3 基于灰色关联度的故障识别 | 第70-71页 |
| 5.6 本章总结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 全文总结 | 第72页 |
| 6.2 展望 | 第72-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-80页 |
