| 第一章 绪论 | 第1-26页 |
| 1．1 机械故障诊断技术研究的意义 | 第12页 |
| 1．2 机械故障诊断技术的发展及现状 | 第12-15页 |
| 1．2．1 国内外机械故障诊断技术的现状 | 第12-15页 |
| 1．2．2 机械故障诊断技术发展趋势 | 第15页 |
| 1．3 汽车电子化及其诊断设备的研究与开发 | 第15-22页 |
| 1．3．1 汽车电子化概述 | 第15-17页 |
| 1．3．2 汽车诊断设备的研究与开发情况 | 第17-22页 |
| 1．4 神经网络的发展及其在故障诊断中的应用 | 第22-24页 |
| 1．4．1 人工神经网络的发展概况 | 第22-24页 |
| 1．4．2 人工神经网络在机械故障诊断中的应用 | 第24页 |
| 1．5 本文研究的主要内容、目的和意义 | 第24-26页 |
| 第二章 基于神经网络的模式识别方法研究 | 第26-36页 |
| 2．1 模式识别理论概述 | 第26-27页 |
| 2．1．1 模式识别的基本概念 | 第26-27页 |
| 2．1．2 模式识别常用方法及特点 | 第27页 |
| 2．2 基于神经网络的识别方法 | 第27-35页 |
| 2．2．1 神经网络的拓扑结构与识别过程 | 第28-29页 |
| 2．2．2 神经网络的学习规则 | 第29-30页 |
| 2．2．3 反向传播算法(BP) | 第30-33页 |
| 2．2．4 神经网络与专家系统 | 第33-35页 |
| 2．3 本章小结 | 第35-36页 |
| 第三章 电控发动机故障征兆及其技术状态特征研究 | 第36-48页 |
| 3．1 汽车发动机电控系统的基本组成 | 第36-38页 |
| 3．1．1 传感器 | 第36-37页 |
| 3．1．2 执行器 | 第37页 |
| 3．1．3 电控单元(ECU) | 第37-38页 |
| 3．2 电控发动机运行工况及其控制 | 第38-41页 |
| 3．2．1 发动机运行工况及其描述 | 第38-39页 |
| 3．2．2 发动机典型运行工况的控制 | 第39-41页 |
| 3．3 电控发动机故障自诊断原理 | 第41-43页 |
| 3．3．1 传感器的故障诊断 | 第42-43页 |
| 3．3．2 执行器的故障诊断 | 第43页 |
| 3．3．3 线路故障诊断 | 第43页 |
| 3．4 电控发动机故障症兆及其技术状态特征 | 第43-47页 |
| 3．4．1 电控发动机典型故障的结构症兆 | 第44-45页 |
| 3．4．2 典型故障症兆的技术状态特征 | 第45-47页 |
| 3．5 本章小结 | 第47-48页 |
| 第四章 基于神经网络方法的电控发动机典型故障模式识别 | 第48-70页 |
| 4．1 神经网络拓扑结构的设计 | 第48-49页 |
| 4．1．1 网络的层数 | 第48页 |
| 4．1．2 神经元节点数 | 第48-49页 |
| 4．1．3 激活转移函数 | 第49页 |
| 4．2 神经网络的训练 | 第49-52页 |
| 4．2．1 神经网络的训练参数 | 第49-50页 |
| 4．2．2 用于训练得神经网络结构 | 第50页 |
| 4．2．3 神经网络训练程序 | 第50-52页 |
| 4．2．4 基于神经网络的故障模式识别程序 | 第52页 |
| 4．3 数据检测与样本的采集 | 第52-56页 |
| 4．3．1 实验内容及检测仪器 | 第52-53页 |
| 4．3．2 测试流程及数据读取 | 第53-56页 |
| 4．4 典型故障症兆的特征选择与提取 | 第56-60页 |
| 4．2．1 怠速不稳原因的分析 | 第56-57页 |
| 4．2．2 怠速不稳定的技术状态特征选择 | 第57-58页 |
| 4．2．3 怠速不稳定的技术状态特征提取 | 第58-60页 |
| 4．5 基于神经网络的故障模式识别 | 第60-67页 |
| 4．5．1 不同神经网络参数的训练效率和结果 | 第60-65页 |
| 4．5．2 样本数据形式对识别能力的影响 | 第65-66页 |
| 4．5．3 网络的拓扑结构对识别能力的影响 | 第66-67页 |
| 4．6 关于故障模式组合的识别问题 | 第67-68页 |
| 4．6．1 故障模式组合的识别原理 | 第67页 |
| 4．6．2 故障模式组合方法的应用 | 第67-68页 |
| 4．7 本章小结 | 第68-70页 |
| 第六章 全文总结 | 第70-71页 |
| 参考文献 | 第71-73页 |