| 前言 | 第1-17页 |
| 第1章 机械设备故障诊断技术 | 第17-21页 |
| ·设备故障诊断的分类 | 第17-18页 |
| ·按诊断过程分类 | 第17页 |
| ·根据对象和目的分类 | 第17-18页 |
| ·故障诊断的内容和实现 | 第18-21页 |
| ·故障诊断的主要内容 | 第18-19页 |
| ·故障诊断的实现 | 第19页 |
| ·故障诊断的任务 | 第19-20页 |
| ·本文采用的故障诊断方法 | 第20-21页 |
| 第2章 阀箱内压力信号的处理与泵阀故障特征向量的提取 | 第21-43页 |
| ·阀箱内压力信号的采集和预处理 | 第21-28页 |
| ·工艺介绍与数据采集 | 第21-22页 |
| ·泵阀工作的现场压力数据 | 第22-26页 |
| ·压力信号的预处理(小波消噪处理) | 第26-28页 |
| ·相关分析技术及其在压力信号中的应用 | 第28-31页 |
| ·相关分析理论 | 第28-29页 |
| ·相关分析在泵阀故障监测中的应用 | 第29-31页 |
| ·功率谱分析及其在压力信号中的应用 | 第31-35页 |
| ·功率谱分析 | 第31-32页 |
| ·功率谱分析的仿真实验 | 第32-34页 |
| ·功率谱分析在泵阀故障监测中的应用 | 第34-35页 |
| ·基于小波包的泵阀故障特征向量的提取 | 第35-42页 |
| ·小波包分析理论 | 第35-36页 |
| ·小波包分析用于泵阀故障诊断 | 第36-39页 |
| ·小波包分解和重构的仿真波形 | 第39-40页 |
| ·泵阀故障特征向量的仿真结果 | 第40-42页 |
| ·小结 | 第42-43页 |
| 第3章 神经网络理论及其在泵阀故障诊断中的应用 | 第43-61页 |
| ·人工神经网络的典型模型 | 第43-45页 |
| ·神经元模型 | 第43-44页 |
| ·单层神经元网络模型 | 第44-45页 |
| ·用于泵阀故障诊断中的神经网络 | 第45-47页 |
| ·故障诊断神经网络 | 第45-46页 |
| ·神经网络用于故障诊断的可行性 | 第46页 |
| ·泵阀故障诊断神经网络的设计方法 | 第46-47页 |
| ·网络训练的样本数据 | 第47-48页 |
| ·BP算法的改进及其在泵阀故障诊断中的应用 | 第48-53页 |
| ·BP算法及其缺点分析 | 第48-50页 |
| ·利用共轭梯度法改进传统的BP算法及其训练仿真 | 第50-52页 |
| ·自适应学习速率BP算法及训练仿真 | 第52-53页 |
| ·BP神经网络在故障诊断中的具体实现 | 第53-60页 |
| ·BP神经网络的构建方法 | 第53-54页 |
| ·网络结构的确定 | 第54页 |
| ·初始参数的选取 | 第54-55页 |
| ·学习速率初始值的选取 | 第55-57页 |
| ·惯性因子的影响 | 第57-59页 |
| ·隐含层神经元节点数的确定 | 第59-60页 |
| ·小结 | 第60-61页 |
| 第4章 往复泵泵阀故障的智能诊断系统 | 第61-71页 |
| ·系统的总体设计 | 第61页 |
| ·软件设计 | 第61-63页 |
| ·系统界面和数据管理 | 第61-62页 |
| ·通讯功能的实现 | 第62-63页 |
| ·故障诊断系统的设计 | 第63-70页 |
| ·故障诊断网络的训练及结果 | 第63-65页 |
| ·泵阀故障诊断神经网络的检验 | 第65-70页 |
| ·小结 | 第70-71页 |
| 结论 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-74页 |