基于神经网络集成的汽车ABS故障诊断研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 汽车故障诊断国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文的研究内容及技术路线 | 第13-16页 |
| 论文主要研究内容 | 第14页 |
| 技术路线图 | 第14-16页 |
| 第二章 汽车ABS故障模式与诊断方法 | 第16-24页 |
| 2.1 汽车制动性能 | 第16-19页 |
| 2.1.1 汽车制动性能的评价 | 第16-17页 |
| 2.1.2 滑移率对制动性能的影响 | 第17-19页 |
| 2.2 汽车ABS的组成与控制原理 | 第19-20页 |
| 2.2.1 ABS系统的组成 | 第19页 |
| 2.2.2 ABS系统的工作原理 | 第19-20页 |
| 2.3 ABS故障模式与故障诊断方法 | 第20-23页 |
| 2.3.1 ABS故障模式和诊断指标 | 第20-21页 |
| 2.3.2 故障诊断的主要方法 | 第21-22页 |
| 2.3.3 神经网络与汽车故障诊断 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 遗传算法优化的BP神经网络 | 第24-39页 |
| 3.1 BP神经网络 | 第24-31页 |
| 3.1.1 BP神经网络的结构 | 第24-25页 |
| 3.1.2 BP神经网络的传递函数 | 第25页 |
| 3.1.3 BP网络学习算法 | 第25-27页 |
| 3.1.4 BP算法的训练过程 | 第27-29页 |
| 3.1.5 BP算法的性能分析及改进 | 第29-31页 |
| 3.2 遗传算法基本理论 | 第31-36页 |
| 3.2.1 遗传算法的基本思想 | 第31-32页 |
| 3.2.2 遗传算法的实现 | 第32-33页 |
| 3.2.3 遗传算法的遗传操作 | 第33-36页 |
| 3.3 遗传算法与BP神经网络的结合 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于遗传神经网络的ABS故障诊断 | 第39-56页 |
| 4.1 数据指标及样本选取 | 第39-44页 |
| 4.1.1 故障类型及特征因素 | 第39页 |
| 4.1.2 样本数据的选取 | 第39-43页 |
| 4.1.3 数据及训练样本的处理 | 第43-44页 |
| 4.2 基于BP神经网络的ABS故障诊断 | 第44-49页 |
| 4.2.1 网络参数的选取 | 第44-46页 |
| 4.2.2 ABS故障诊断的BP网络仿真 | 第46-49页 |
| 4.3 基于遗传神经网络的ABS故障诊断 | 第49-55页 |
| 4.3.1 遗传算法编程实现 | 第49页 |
| 4.3.2 ABS故障诊断的遗传神经网络仿真 | 第49-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 基于神经网络集成的ABS故障诊断 | 第56-68页 |
| 5.1 集成技术 | 第56-57页 |
| 5.2 神经网络集成机理 | 第57-60页 |
| 5.3 神经网络集成的信息融合 | 第60-62页 |
| 5.3.1 集成中子网络的组建原则 | 第60-61页 |
| 5.3.2 决策融合网络的实现 | 第61-62页 |
| 5.4 基于神经网络集成的ABS调节器故障诊断 | 第62-67页 |
| 5.4.1 子神经网络模型构建 | 第63-66页 |
| 5.4.2 网络仿真与集成融合 | 第66-67页 |
| 5.5 本章小结 | 第67-68页 |
| 结论和展望 | 第68-70页 |
| 结论 | 第68页 |
| 研究展望 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 附录1 | 第75-77页 |
| 附录2 | 第77-80页 |
| 攻读学位期间取得的研究成果 | 第80-81页 |
| 致谢 | 第81页 |
