| 第一章 绪论 | 第1-31页 |
| ·结构和设备故障诊断研究的意义和基本概念 | 第17-19页 |
| ·结构和设备故障诊断的意义 | 第17-18页 |
| ·结构和设备故障诊断的基本概念 | 第18-19页 |
| ·结构和设备故障诊断研究的进展 | 第19-20页 |
| ·基于模糊神经网络的故障诊断 | 第20-21页 |
| ·基于数据融合的故障诊断 | 第21-22页 |
| ·结构裂纹损伤诊断的发展现状 | 第22-25页 |
| ·本文完成的主要工作以及本文各章的主要研究内容 | 第25-31页 |
| 第二章 基于振动频谱分析的设备故障诊断 | 第31-44页 |
| ·故障振动诊断的基本理论 | 第32-34页 |
| ·周期函数傅立叶级数展开式 | 第32-33页 |
| ·非周期函数傅立叶积分 | 第33-34页 |
| ·故障的振动诊断技术 | 第34-36页 |
| ·故障征兆提取 | 第35页 |
| ·振动频谱分析的理论基础 | 第35-36页 |
| ·信号的时-频分析 | 第36页 |
| ·螺杆压缩机故障的振动诊断 | 第36-42页 |
| ·故障征兆的获取和信号数据处理 | 第36-42页 |
| ·频谱分析与推理诊断 | 第42页 |
| ·小结 | 第42-44页 |
| 第三章 结构裂纹损伤的数值仿真分析 | 第44-69页 |
| ·结构裂纹损伤诊断的方法 | 第45页 |
| ·板结构的动力学分析 | 第45-48页 |
| ·基于频率变化的悬臂薄铝板裂纹仿真分析 | 第48-60页 |
| ·悬臂薄铝板竖直裂纹仿真分析 | 第49-53页 |
| ·横裂纹仿真分析 | 第53-56页 |
| ·斜裂纹仿真分析 | 第56-57页 |
| ·部分深度裂纹仿真分析 | 第57-58页 |
| ·多裂纹仿真分析 | 第58-60页 |
| ·基于模态形状变化的悬臂薄铝板裂纹仿真分析 | 第60-61页 |
| ·裂纹诊断指标的选取 | 第61-63页 |
| ·振型切角变化率 | 第62-63页 |
| ·DSN指标 | 第63页 |
| ·固有频率下降率 | 第63页 |
| ·裂纹对振型切角变化率的影响 | 第63-67页 |
| ·裂纹位置和长度对振型切角变化率的影响 | 第63-66页 |
| ·裂纹角度对振型切角变化率的影响 | 第66-67页 |
| ·裂纹深度对振型切角变化率的影响 | 第67页 |
| ·小结 | 第67-69页 |
| 第四章 基于模糊神经网络技术的设备故障和结构裂纹智能诊断 | 第69-93页 |
| ·模糊概念引入故障诊断领域的意义 | 第70页 |
| ·模糊理论和模糊算法 | 第70-73页 |
| ·模糊子集的定义 | 第71页 |
| ·隶属函数的确定 | 第71页 |
| ·故障诊断中的最大隶属度原则 | 第71-72页 |
| ·模糊变换的故障诊断技术 | 第72-73页 |
| ·用于故障诊断的模糊神经网络 | 第73-79页 |
| ·模糊神经网络模型 | 第73-75页 |
| ·模糊神经网络训练样本的建立 | 第75-77页 |
| ·学习率自适应调整的改进BP算法 | 第77-79页 |
| ·模糊神经网络对螺杆压缩机转子的故障诊断 | 第79-84页 |
| ·模糊神经网络诊断参数的选取 | 第80页 |
| ·诊断过程的实现 | 第80-84页 |
| ·模糊神经网络对悬臂铝板的裂纹诊断 | 第84-93页 |
| ·采用切角变化率Δtgα和频率变化率Δf诊断指标的裂纹诊断 | 第86-88页 |
| ·采用DNS和Δf诊断指标的裂纹诊断 | 第88-89页 |
| ·采用振型φ、频率f及频率变化率Δf为诊断指标的裂纹诊断 | 第89-91页 |
| ·小结 | 第91-93页 |
| 第五章 基于模糊神经网络数据融合的设备故障和结构裂纹智能诊断 | 第93-117页 |
| ·数据融合故障诊断技术的基本原理 | 第94-97页 |
| ·数据融合技术的仿生原理 | 第94页 |
| ·数据融合故障诊断技术的处理过程描述 | 第94-96页 |
| ·故障诊断领域数据融合的一般框架 | 第96-97页 |
| ·数据融合的D-S算法 | 第97-102页 |
| ·基本概念 | 第97-99页 |
| ·信度区间 | 第99页 |
| ·D-S合并规则 | 第99页 |
| ·信度函数的获取 | 第99-101页 |
| ·D-S证据推理的应用 | 第101-102页 |
| ·故障诊断中模糊神经网络和数据融合相结合的技术 | 第102-115页 |
| ·模糊神经网络数据融合诊断模型及D-S证据理论数据融合故障诊断 | 第103-105页 |
| ·螺杆压缩机转子的模糊神经网络非同源数据融合故障诊断 | 第105-110页 |
| ·基于噪声信号的模糊神经网络诊断 | 第106-109页 |
| ·振动和噪声信号的非同源模糊神经网络数据融合诊断 | 第109-110页 |
| ·不同诊断指标的裂纹模糊神经网络同源数据融合故障诊断 | 第110-115页 |
| ·基于D-S证据推理的决策层数据融合故障诊断系统 | 第110-114页 |
| ·数据融合诊断结果和模糊神经网络诊断结果比较 | 第114-115页 |
| ·小结 | 第115-117页 |
| 第六章 基于模态试验的裂纹诊断研究 | 第117-140页 |
| ·模态实验原理 | 第118页 |
| ·试验系统组成及实验对象描述 | 第118-120页 |
| ·试验方法及数据分析 | 第120-137页 |
| ·完好板试验结果和有限元计算结果比较 | 第120-123页 |
| ·各板试验结果 | 第123-137页 |
| ·基于试验模态数据的诊断指标及诊断结果 | 第137-139页 |
| ·小结 | 第139-140页 |
| 第七章 总结与展望 | 第140-143页 |
| ·本文工作总结 | 第141-142页 |
| ·本文工作中的一些问题 | 第142页 |
| ·关于相关问题的展望 | 第142-143页 |
| 附录1 压缩机振动测点振动频谱图 | 第143-146页 |
| 附录2 第三章部分计算结果 | 第146-159页 |
| 攻读博士学位期间发表的主要学术论文 | 第159-160页 |
| 论文创新点摘要 | 第160-161页 |
| 致谢 | 第161-162页 |
