机械故障诊断中的自适应报警技术研究
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-18页 |
| ·课题来源 | 第9页 |
| ·课题的提出与意义 | 第9-11页 |
| ·国内外研究现状 | 第11-16页 |
| ·主要研究内容 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 第二章 基于概率神经网络的自适应报警研究 | 第18-39页 |
| ·设备故障的含义及其特点 | 第18-19页 |
| ·机械设备常见的故障模式 | 第19-20页 |
| ·常见机械设备的劣化过程及建模的基本假设 | 第20-21页 |
| ·模型构建的概率神经网络方法 | 第21-25页 |
| ·基于Bayes分类的概率神经网络 | 第21-22页 |
| ·概率神经网络的基本网络结构 | 第22-23页 |
| ·概率神经网络的改进 | 第23-25页 |
| ·平滑因子的估计 | 第25页 |
| ·模型构建的数据预处理 | 第25-28页 |
| ·归一化处理 | 第25-26页 |
| ·相同数据的处理 | 第26-27页 |
| ·数据量过多时网络结构的优化 | 第27页 |
| ·数据量过少时样本层的结构优化 | 第27-28页 |
| ·报警参数的选择 | 第28-30页 |
| ·模型的应用与分析 | 第30-32页 |
| ·只包括正常运行数据的概率模型 | 第30-31页 |
| ·包括正常和故障数据的概率模型 | 第31-32页 |
| ·设备状态自适应报警线的确定 | 第32-37页 |
| ·报警阈值的确定原则 | 第33页 |
| ·只包括正常运行数据的报警阈值 | 第33-34页 |
| ·包括正常和故障数据的报警阈值 | 第34页 |
| ·自适应报警线的确定 | 第34-36页 |
| ·自适应报警线的物理意义 | 第36-37页 |
| ·自适应报警线的自适应性 | 第37-38页 |
| ·设备平稳运行时的收缩性 | 第37页 |
| ·设备微弱劣化时的包容性 | 第37-38页 |
| ·设备故障时的敏感性 | 第38页 |
| ·本章小结 | 第38-39页 |
| 第三章 小波包分解在自适应报警技术中的应用 | 第39-47页 |
| ·小波包分解技术引入的必要性 | 第39页 |
| ·小波包分解基本理论 | 第39-42页 |
| ·小波包的定义 | 第39-41页 |
| ·小波包的空间分解 | 第41-42页 |
| ·小波包算法 | 第42页 |
| ·基于小波包分解的报警参数提取 | 第42-43页 |
| ·实验验证 | 第43-46页 |
| ·只包含正常数据时的动态报警线 | 第43-44页 |
| ·包含正常和故障数据时的动态报警线 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第四章 基全信息技术的自适应报警技术 | 第47-61页 |
| ·信息融合技术 | 第47-53页 |
| ·理论基础 | 第48-49页 |
| ·全息谱 | 第49-50页 |
| ·全谱 | 第50-51页 |
| ·全矢谱 | 第51-52页 |
| ·全矢谱数值算法 | 第52-53页 |
| ·双通道信息报警参量提取 | 第53-55页 |
| ·实验验证 | 第55-60页 |
| ·只包含正常数据时的动态报警线 | 第55-58页 |
| ·包含正常和故障数据时的动态报警线 | 第58-60页 |
| ·本章小结 | 第60-61页 |
| 第五章 基于主分量分析技术的自适应报警技术 | 第61-75页 |
| ·主分量基本原理 | 第61-63页 |
| ·主分量的求解 | 第63-64页 |
| ·主分量的贡献率及其意义 | 第64-65页 |
| ·主分量机理研究与改进 | 第65-69页 |
| ·对数据的要求 | 第66页 |
| ·数据标准化 | 第66-67页 |
| ·数据阵的计算 | 第67-68页 |
| ·特征向量的确定 | 第68-69页 |
| ·基本算法和步骤 | 第69-70页 |
| ·原始数据指标筛选 | 第70-71页 |
| ·实验验证 | 第71-74页 |
| ·只包含正常数据的自适应报警线确定 | 第71-73页 |
| ·包含正常和故障数据的自适应报警线确定 | 第73-74页 |
| ·本章小结 | 第74-75页 |
| 第六章 结论与展望 | 第75-78页 |
| ·本文总结 | 第75-76页 |
| ·本文关键技术与创新点 | 第76页 |
| ·展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士期间的参与的科研项目和发表的学术论文 | 第82-83页 |
| 致谢 | 第83页 |
