| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-16页 |
| ·课题研究的背景、目的和意义 | 第9-10页 |
| ·影响水轮机稳定性的因素 | 第10-12页 |
| ·机械振动 | 第10页 |
| ·电气振动 | 第10-11页 |
| ·水力振动 | 第11-12页 |
| ·研究现状 | 第12-14页 |
| ·论文的研究内容及结构 | 第14-16页 |
| 第二章 小波分析理论及应用 | 第16-29页 |
| ·傅立叶分析 | 第16-17页 |
| ·短时傅立叶分析 | 第17-18页 |
| ·小波分析的引入 | 第18-19页 |
| ·小波分析理论的发展史 | 第19页 |
| ·连续小波变换 | 第19-21页 |
| ·离散小波变换 | 第21页 |
| ·多分辨率分析 | 第21-24页 |
| ·mallat 算法 | 第24-25页 |
| ·小波阈值信号消噪 | 第25-29页 |
| ·阈值函数 | 第26-27页 |
| ·阈值估计 | 第27-28页 |
| ·信号阀值去噪实例 | 第28-29页 |
| 第三章 人工神经网络基本理论 | 第29-43页 |
| ·神经网络的特性 | 第29-30页 |
| ·人工神经网络的类型 | 第30-31页 |
| ·人工神经网络的基本结构 | 第31-33页 |
| ·神经网络的学习方式 | 第33-35页 |
| ·神经网络的学习规则 | 第35-37页 |
| ·BP 神经网络简介 | 第37-40页 |
| ·BP 神经网络的结构及学习方式 | 第37-38页 |
| ·BP 网络存在的问题 | 第38页 |
| ·BP 算法对尾水管中涡带形状进行识别的应用实例 | 第38-40页 |
| ·自组织竞争人工神经网络的基本理论 | 第40-43页 |
| ·自组织人工神经网络的结构 | 第40-41页 |
| ·自组织人工神经网络的学习算法 | 第41-42页 |
| ·应用自组织人工神经网络对尾水管涡带形状进行识别 | 第42-43页 |
| 第四章 模型水轮机振动试验 | 第43-51页 |
| ·试验来源 | 第43-51页 |
| ·测点布置 | 第43-44页 |
| ·数据采集 | 第44-51页 |
| 第五章 基于小波分析与人工神经网络水轮机组振动信号分析 | 第51-62页 |
| ·引言 | 第51页 |
| ·压力脉动信号小波消噪 | 第51-53页 |
| ·信号特征提取方法 | 第53-54页 |
| ·小波特征提取 | 第54-58页 |
| ·水轮机振动状态的识别 | 第58-62页 |
| 第六章 总结与展望 | 第62-64页 |
| ·本文工作总结 | 第62-63页 |
| ·展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-67页 |
| 作者简介 | 第67页 |
| 发表论文和科研情况说明 | 第67-68页 |