| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第13-18页 |
| 1.1 课题研究背景及意义 | 第13页 |
| 1.2 课题国内外研究现状 | 第13-16页 |
| 1.2.1 抽油机故障诊断国内外研究现状 | 第13-15页 |
| 1.2.2 人工神经网络国内外研究现状 | 第15-16页 |
| 1.3 论文研究内容及章节安排 | 第16-18页 |
| 1.3.1 论文的研究内容 | 第16页 |
| 1.3.2 论文的章节安排 | 第16-18页 |
| 第2章 抽油机故障诊断理论基础 | 第18-31页 |
| 2.1 抽油机结构及工作原理 | 第18页 |
| 2.2 示功图分析 | 第18-26页 |
| 2.2.1 示功图定义 | 第18-19页 |
| 2.2.2 示功图故障类型分析 | 第19-26页 |
| 2.3 BP神经网络基本原理 | 第26-27页 |
| 2.4 迭代学习控制 | 第27-29页 |
| 2.4.1 迭代学习控制 | 第27-28页 |
| 2.4.2 迭代学习控制算法研究 | 第28-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第3章 抽油机示功图故障诊断模型建立与分析 | 第31-37页 |
| 3.1 抽油机示功图故障诊断模型建立 | 第31-32页 |
| 3.2 抽油机示功图故障诊断模型分析 | 第32-33页 |
| 3.3 示功图预处理 | 第33-36页 |
| 3.3.1 参数数据处理 | 第33页 |
| 3.3.2 示功图归一化 | 第33-34页 |
| 3.3.3 示功图故障类型与神经网络输出定义 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于形状不变矩和傅里叶描述子相结合的示功图特征提取 | 第37-42页 |
| 4.1 形状不变矩 | 第37-39页 |
| 4.1.1 形状不变矩定义 | 第37页 |
| 4.1.2 形状不变矩提取示功图特征参数 | 第37-39页 |
| 4.2 傅里叶描述子 | 第39-40页 |
| 4.2.1 傅里叶描述子基本理论 | 第39-40页 |
| 4.2.2 傅里叶描述子提取示功图特征参数 | 第40页 |
| 4.3 结合形状不变矩和傅里叶描述子进行示功图特征提取 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 基于优化迭代学习控制的BP神经网络示功图故障诊断 | 第42-51页 |
| 5.1 迭代学习控制优化BP神经网络 | 第42-44页 |
| 5.1.1 BP神经网络算法 | 第42-43页 |
| 5.1.2 迭代学习控制优化BP神经网络算法的实现 | 第43-44页 |
| 5.2 专家诊断法 | 第44-45页 |
| 5.3 斜率诊断法 | 第45-46页 |
| 5.4 仿真训练 | 第46-49页 |
| 5.4.1 仿真环境与训练样本 | 第46-47页 |
| 5.4.2 仿真及测试结果分析 | 第47-49页 |
| 5.5 本章小结 | 第49-51页 |
| 总结与展望 | 第51-53页 |
| 参考文献 | 第53-59页 |
| 致谢 | 第59-60页 |
| 附录A 攻读学位期间所发表的学术论文、参与的项目 | 第60-61页 |
| 附录B BP神经网络的识别示功图故障分类部分程序 | 第61页 |
