基于混沌神经网络的故障诊断方法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第9-16页 |
| ·课题研究的背景和意义 | 第9-10页 |
| ·液压系统故障诊断技术的研究现状及发展趋势 | 第10-12页 |
| ·液压系统故障诊断技术的研究现状 | 第10-11页 |
| ·液压系统故障诊断技术的发展趋势 | 第11-12页 |
| ·混沌神经网络及其在故障诊断中的应用 | 第12-14页 |
| ·混沌神经网络的研究概述 | 第12-13页 |
| ·混沌神经网络在故障诊断中的应用 | 第13-14页 |
| ·课题研究意义和研究内容 | 第14-16页 |
| ·本课题研究的意义 | 第14-15页 |
| ·本课题研究的内容 | 第15-16页 |
| 第2章 混沌神经网络的理论基础 | 第16-34页 |
| ·混沌理论的发展历程 | 第16-17页 |
| ·混沌理论的基本概念和特征 | 第17-19页 |
| ·混沌的定义 | 第17-18页 |
| ·混沌的基本术语 | 第18-19页 |
| ·混沌的基本特征 | 第19页 |
| ·混沌的判据—李雅普诺夫指数 | 第19-21页 |
| ·Logistic 映射分析 | 第21-23页 |
| ·神经网络概述 | 第23-27页 |
| ·人工神经元模型 | 第24-26页 |
| ·神经网络的特征 | 第26-27页 |
| ·误差反向传播神经网络 | 第27-29页 |
| ·误差反向传播神经网络模型 | 第27-28页 |
| ·BP 神经网络的学习算法 | 第28-29页 |
| ·前向混沌神经网络及其学习算法 | 第29-33页 |
| ·前向混沌神经网络模型 | 第29-31页 |
| ·前向混沌神经网络的学习算法 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第3章 液压泵振动信号的分析与处理 | 第34-46页 |
| ·短时最大熵谱分析 | 第34-37页 |
| ·短时最大熵谱估计原理 | 第34-36页 |
| ·液压泵振动信号的短时最大熵谱分析 | 第36-37页 |
| ·基于小波包变换的带通滤波和消噪 | 第37-41页 |
| ·小波包原理 | 第38-39页 |
| ·小波包算法 | 第39页 |
| ·液压泵振动信号的小波包消噪 | 第39-41页 |
| ·基于 Hilbert 变换的包络解调法 | 第41-45页 |
| ·Hilbert 变换定义 | 第42-43页 |
| ·Hilbert 变换解调原理 | 第43页 |
| ·液压泵振动信号的包络谱分析 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 混沌神经网络在液压泵故障诊断中的应用 | 第46-64页 |
| ·基于虚拟仪器的液压泵状态监测实验系统 | 第46-50页 |
| ·实验系统组成 | 第46-49页 |
| ·振动信号的采集 | 第49-50页 |
| ·基于前向混沌神经网络的故障诊断过程 | 第50-51页 |
| ·前向混沌神经网络的设计 | 第51-56页 |
| ·网络的参数设计 | 第51-52页 |
| ·样本集的设计与预处理 | 第52-56页 |
| ·期望输出的编码 | 第56页 |
| ·液压泵故障诊断及结果分析 | 第56-63页 |
| ·基于前向混沌神经网络的液压泵故障诊断 | 第56-59页 |
| ·基于 BP 神经网络的液压泵故障诊断 | 第59-62页 |
| ·两种神经网络的诊断性能比较 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第71-72页 |
| 致谢 | 第72-73页 |
| 作者简介 | 第73页 |
