| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 研究目的及意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文完成的主要工作 | 第14-16页 |
| 第2章 故障诊断基本原理及方法 | 第16-25页 |
| 2.1 故障诊断方法概述 | 第16-18页 |
| 2.1.1 基于模型的故障诊断方法 | 第16页 |
| 2.1.2 不基于模型的故障诊断方法 | 第16-18页 |
| 2.2 粒子群优化算法 | 第18-24页 |
| 2.2.1 粒子群优化算法的基本思想 | 第18-19页 |
| 2.2.2 粒子群优化算法的数学描述 | 第19-21页 |
| 2.2.3 算法流程图 | 第21页 |
| 2.2.4 粒子群优化算法特点 | 第21-22页 |
| 2.2.5 标准粒子群优化算法 | 第22-23页 |
| 2.2.6 粒子群优化算法的参数选取 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 小波包分析基本理论与方法 | 第25-39页 |
| 3.1 小波分析基本理论 | 第25-31页 |
| 3.1.1 小波函数和小波变换 | 第25-27页 |
| 3.1.2 小波分解 | 第27-29页 |
| 3.1.3 小波包分析 | 第29-31页 |
| 3.2 信号的小波消噪和特征向量的提取 | 第31-35页 |
| 3.2.1 信号的小波消噪 | 第31-34页 |
| 3.2.2 基于多分辨率分析的信号特征向量的提取 | 第34-35页 |
| 3.3 基于小波包分析的特征提取模拟实验 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于粒子群优化的RBF神经网络 | 第39-54页 |
| 4.1 人工神经网络概述 | 第39-40页 |
| 4.2 反向传播神经网络基本原理 | 第40-45页 |
| 4.2.1 BP神经网络结构 | 第40-41页 |
| 4.2.2 BP算法 | 第41-43页 |
| 4.2.3 BP算法的不足与改进 | 第43-45页 |
| 4.3 径向基函数神经网络原理 | 第45-50页 |
| 4.3.1 RBF神经网络结构 | 第45-47页 |
| 4.3.2 RBF神经网络的训练方法 | 第47-50页 |
| 4.4 基于粒子群优化的神经网络学习算法 | 第50-53页 |
| 4.4.1 PSO优化神经网络算法的编码和适应度函数 | 第51页 |
| 4.4.2 PSO优化神经网络算法的基本步骤 | 第51-52页 |
| 4.4.3 PSO优化神经网络算法的性能指标 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 柴油机在线故障诊断实例分析 | 第54-73页 |
| 5.1 柴油机在线故障诊断的实现 | 第54-56页 |
| 5.1.1 柴油机在线监测诊断系统总体结构设计 | 第54-55页 |
| 5.1.2 柴油机在线监测诊断系统局域网硬件设计 | 第55-56页 |
| 5.1.3 局域网拓扑结构设计 | 第56页 |
| 5.2 柴油机状态信号采集 | 第56-58页 |
| 5.2.1 柴油机缸盖振动信号测点选取 | 第56-57页 |
| 5.2.2 柴油机故障诊断原理示意图 | 第57页 |
| 5.2.3 振动信号采集的关键技术 | 第57-58页 |
| 5.3 信号的小波消噪和特征向量的提取 | 第58-64页 |
| 5.3.1 实验数据消噪 | 第58-60页 |
| 5.3.2 时域故障特征提取 | 第60-62页 |
| 5.3.3 频域故障特征提取 | 第62-64页 |
| 5.4 基于PSO优化的RBF神经网络故障诊断 | 第64-72页 |
| 5.4.1 RBF神经网络故障诊断系统的实现 | 第64-66页 |
| 5.4.2 神经网络样本集的确定 | 第66-68页 |
| 5.4.3 PSO优化的RBF神经网络故障诊断的算法实现 | 第68-71页 |
| 5.4.4 神经网络的诊断结果比较 | 第71-72页 |
| 5.5 本章小结 | 第72-73页 |
| 第6章 结论 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间论文发表及科研情况 | 第78-79页 |
| 致谢 | 第79页 |