基于概率神经网络的发动机故障诊断研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-18页 |
| ·课题背景 | 第11页 |
| ·动力机械设备故障诊断技术的现状 | 第11-14页 |
| ·概述 | 第11-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·故障诊断技术的发展趋势 | 第14页 |
| ·机械故障诊断的基本方法 | 第14-16页 |
| ·制约动力机械故障诊断发展的主要因素 | 第16页 |
| ·本论文研究的主要内容 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 2 小波分析理论及其在信号处理中的应用 | 第18-29页 |
| ·小波分析理论基础 | 第18-23页 |
| ·小波分析的定义 | 第18-19页 |
| ·离散小波函数和二进小波变换 | 第19-20页 |
| ·Doubechies(dbN)小波函数 | 第20-22页 |
| ·小波消噪方法 | 第22-23页 |
| ·小波包理论 | 第23-27页 |
| ·小波包定义 | 第24页 |
| ·利用小波包进行信号消噪处理 | 第24-25页 |
| ·发动机振动信号的小波包分析 | 第25-27页 |
| ·小波分析在信号处理和故障诊断中的应用 | 第27页 |
| ·本章小结 | 第27-29页 |
| 3 神经网络理论及其在故障诊断中的应用 | 第29-42页 |
| ·神经网络简介 | 第29-32页 |
| ·神经网络的发展史 | 第29-30页 |
| ·人工神经网络的特性和应用 | 第30-31页 |
| ·神经网络的主要模型 | 第31-32页 |
| ·径向基神经(RBF)网络 | 第32-35页 |
| ·径向基神经网络模型 | 第32-35页 |
| ·径向基网络的工作特性 | 第35页 |
| ·概率神经网络(PNN) | 第35-40页 |
| ·概率神经网络模型 | 第36-37页 |
| ·基于模式识别的Bayes 判决理论 | 第37-38页 |
| ·概率神经网络的数学描述 | 第38-39页 |
| ·概率神经网络的特点 | 第39-40页 |
| ·神经网络在故障诊断中的应用 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 4 发动机振动特性与试验方法 | 第42-53页 |
| ·发动机振动特性 | 第42-44页 |
| ·柴油机的基本组成结构 | 第42-43页 |
| ·柴油机振动特性分析 | 第43-44页 |
| ·柴油机振动力传播途径 | 第44页 |
| ·发动机振动信号的采集 | 第44-47页 |
| ·测点位置的选择 | 第44-45页 |
| ·信号采集 | 第45-47页 |
| ·试验系统 | 第47-51页 |
| ·试验仪器与软件简介 | 第47-50页 |
| ·试验设备的主要技术参数 | 第50-51页 |
| ·试验步骤 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 5 柴油发动机故障诊断方法研究 | 第53-62页 |
| ·训练样本的确定 | 第53-56页 |
| ·网络结构的确定 | 第56-57页 |
| ·故障诊断模型的建立 | 第57-58页 |
| ·基于PNN 的发动机故障诊断模型仿真 | 第58-61页 |
| ·本章小结 | 第61-62页 |
| 6 结论和展望 | 第62-64页 |
| ·结论 | 第62页 |
| ·展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 附录 | 第69-81页 |
| 附录 1 实验数据处理后结果（归一化后特征向量） | 第69-81页 |
| 附录 2 攻读硕士学位期间发表的学术论文 | 第81页 |
