基于PSO优化BP神经网络的柴油发动机故障诊断研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 引言 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 柴油发动机故障诊断研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.2.3 故障诊断的发展趋势 | 第12-13页 |
| 1.3 人工神经网络研究现状 | 第13-14页 |
| 1.4 本文研究内容和结构安排 | 第14-16页 |
| 第2章 柴油发动机特征及故障诊断方法 | 第16-24页 |
| 2.1 柴油发动机的结构及故障 | 第16-20页 |
| 2.1.1 发动机的基本构造 | 第16-18页 |
| 2.1.2 发动机的故障类型 | 第18-20页 |
| 2.1.3 柴油发动机的故障特征 | 第20页 |
| 2.2 柴油发动机的故障诊断方法 | 第20-23页 |
| 2.2.1 数学模型 | 第20-21页 |
| 2.2.2 信号处理方法 | 第21-22页 |
| 2.2.3 人工智能方法 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 基于神经网络的柴油机故障诊断 | 第24-33页 |
| 3.1 BP神经网络基本构成 | 第24-29页 |
| 3.1.1 网络简介 | 第24-26页 |
| 3.1.2 BP网络学习机制 | 第26-29页 |
| 3.2 BP神经网络故障诊断模型 | 第29-32页 |
| 3.2.1 神经网络结构设计 | 第29-31页 |
| 3.2.2 数据预处理 | 第31-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第4章 PSO优化的柴油机故障诊断BP网络 | 第33-44页 |
| 4.1 PSO算法 | 第33-37页 |
| 4.1.1 粒子群算法简介 | 第33-34页 |
| 4.1.2 算法原理 | 第34-35页 |
| 4.1.3 算法流程 | 第35-37页 |
| 4.2 PSO优化的柴油机故障诊断BP神经网络 | 第37-40页 |
| 4.2.1 算法描述 | 第37-38页 |
| 4.2.2 算法步骤 | 第38-39页 |
| 4.2.3 基于PSO-BP算法的柴油机故障分析 | 第39-40页 |
| 4.3 新算法仿真 | 第40-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 柴油机故障诊断仿真实验及分析 | 第44-54页 |
| 5.1 样本数据处理 | 第44-46页 |
| 5.2 仿真及分析 | 第46-50页 |
| 5.2.1 训练参数的确定 | 第46页 |
| 5.2.2 均值归一化预处理方法 | 第46-48页 |
| 5.2.3 最大值归一化预处理方法 | 第48-50页 |
| 5.3 实验验证 | 第50-53页 |
| 5.3.1 实验方案和步骤 | 第50-51页 |
| 5.3.2 实验器材选择 | 第51-52页 |
| 5.3.3 实验结果与分析 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第6章 结论与展望 | 第54-56页 |
| 6.1 主要结论 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 参考文献 | 第56-58页 |
| 致谢 | 第58-59页 |
| 作者简介 | 第59页 |
