| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景及意义 | 第11页 |
| 1.2 故障诊断技术的发展与现状 | 第11-14页 |
| 1.3 离心泵概述及离心泵故障诊断研究现状 | 第14-18页 |
| 1.3.1 离心泵概述 | 第14-15页 |
| 1.3.2 国外离心泵故障诊断研究现状 | 第15-17页 |
| 1.3.3 国内离心泵故障诊断研究现状 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 主元分析法基本理论 | 第19-25页 |
| 2.1 主成分分析法的基本思想 | 第19页 |
| 2.2 主成分分析法的代数解释及几何意义 | 第19-22页 |
| 2.2.1 主元分代数解释 | 第19-20页 |
| 2.2.2 主元的的几何意义 | 第20-22页 |
| 2.3 主成分分析法计算步骤 | 第22-23页 |
| 2.4 主元个数确定 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 概率神经网络 | 第25-33页 |
| 3.1 模式分类的贝叶斯决策理论 | 第25-26页 |
| 3.2 BP神经网络与概率神经网络 | 第26-29页 |
| 3.2.1 BP神经网络模型 | 第26-28页 |
| 3.2.2 概率神经网络结构 | 第28-29页 |
| 3.3 概率神经网络基本学习算法 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 离心泵故障诊断实验设计 | 第33-49页 |
| 4.1 离心泵实验 | 第34-37页 |
| 4.2 叶轮故障模式设置 | 第37-42页 |
| 4.3 实验步骤 | 第42页 |
| 4.4 数据预处理 | 第42-48页 |
| 4.4.1 小波变换与小波包分解 | 第43-44页 |
| 4.4.2 小波包阈值去噪基本原理 | 第44-45页 |
| 4.4.3 小波包阈值去噪步骤 | 第45页 |
| 4.4.4 小波包阈值去噪结果分析 | 第45-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 主元分析法与概率神经网络在离心泵故障诊断中的应用 | 第49-77页 |
| 5.1 特征值提取 | 第49-56页 |
| 5.1.1 时域特征值提取 | 第50-52页 |
| 5.1.2 基于小波包分解的能量特征提取 | 第52-56页 |
| 5.2 主元分析法和概率神经网络特征及参数优化 | 第56-68页 |
| 5.2.1 基于主元分析法的特征优化 | 第56-60页 |
| 5.2.2 概率神经网络及BP神经网络参数优化 | 第60-68页 |
| 5.3 折交叉验证 | 第68-75页 |
| 5.3.1 基于PCA-PNN3 折交叉验证 | 第69-71页 |
| 5.3.2 基于PNN3折交叉验证 | 第71-73页 |
| 5.3.3 基于BP-PNN3折交叉验证 | 第73-75页 |
| 5.4 离心泵智能故障诊断 | 第75-76页 |
| 5.5 本章小结 | 第76-77页 |
| 第6章 总结与展望 | 第77-79页 |
| 6.1 全文总结 | 第77-78页 |
| 6.2 论文展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 攻读硕士期间已发表的论文 | 第83-85页 |
| 致谢 | 第85-86页 |