摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
第1章 绪论 | 第10-16页 |
1.1 课题来源及研究目的和意义 | 第10-11页 |
1.1.1 课题来源 | 第10页 |
1.1.2 课题研究目的和意义 | 第10-11页 |
1.2 故障诊断理论及技术的发展 | 第11-12页 |
1.3 电液伺服阀故障诊断的特点 | 第12页 |
1.4 电液伺服阀故障诊断的国内外研究现状 | 第12-14页 |
1.5 本文主要研究内容 | 第14-16页 |
第2章 电液伺服阀性能及常见故障研究 | 第16-25页 |
2.1 电液伺服阀的基础理论 | 第16-18页 |
2.1.1 电液伺服阀的结构组成 | 第16-17页 |
2.1.2 电液伺服阀的工作原理 | 第17-18页 |
2.2 电液伺服阀主要性能指标 | 第18-21页 |
2.2.1 电液伺服阀的静态特性 | 第18-20页 |
2.2.2 电液伺服阀的动态特性 | 第20-21页 |
2.3 电液伺服阀的常见故障型式及外在表征特性的研究 | 第21-24页 |
2.3.1 电液伺服阀常见故障型式 | 第21-23页 |
2.3.2 电液伺服阀特性曲线反应故障型式研究 | 第23-24页 |
2.4 本章小结 | 第24-25页 |
第3章 液压试验台测控系统设计 | 第25-49页 |
3.1 电液伺服阀的测试原理 | 第25-31页 |
3.1.1 静态特性测试原理 | 第25-29页 |
3.1.2 动态特性测试原理 | 第29-31页 |
3.2 测控系统方案设计 | 第31-35页 |
3.2.1 整体方案设计 | 第31-32页 |
3.2.2 电气控制系统设计 | 第32-34页 |
3.2.3 测试系统设计 | 第34-35页 |
3.3 测控系统软件设计 | 第35-41页 |
3.3.1 虚拟仪器技术 | 第35页 |
3.3.2 软件结构设计 | 第35-36页 |
3.3.3 测控系统人机界面设计 | 第36-41页 |
3.4 数字信号滤波器设计 | 第41-48页 |
3.4.1 静态特性测试滤波器设计 | 第42-46页 |
3.4.2 动态特性测试滤波器设计 | 第46-48页 |
3.5 本章小节 | 第48-49页 |
第4章 BP神经网络及其遗传优化算法 | 第49-60页 |
4.1 人工神经网络概述 | 第49页 |
4.2 BP神经网络结构模型 | 第49-51页 |
4.2.1 神经元结构模型 | 第49-50页 |
4.2.2 BP神经网络结构 | 第50-51页 |
4.3 BP神经网络学习算法 | 第51-53页 |
4.3.1 信号的正向传递 | 第51页 |
4.3.2 误差的反向传播(或 BP学习算法) | 第51-53页 |
4.4 BP神经网络优化 | 第53-55页 |
4.4.1 BP神经网络算法的不足 | 第53页 |
4.4.2 BP神经网络的算法改进 | 第53-55页 |
4.4.3 BP神经网络初始权值优化 | 第55页 |
4.5 遗传算法应用于BP神经网络 | 第55-58页 |
4.5.1 遗传算法的基础理论 | 第55-56页 |
4.5.2 遗传算法的数学实现 | 第56-57页 |
4.5.3 遗传算优化BP神经网络流程 | 第57-58页 |
4.6 本章小节 | 第58-60页 |
第5章 电液伺服阀故障诊断的实验验证 | 第60-82页 |
5.1 液压实验台介绍 | 第60-61页 |
5.2 电液伺服阀故障样本提取 | 第61-66页 |
5.2.1 实验方案设计 | 第61页 |
5.2.2 特性曲线提取 | 第61-65页 |
5.2.3 特性曲线预处理 | 第65-66页 |
5.3 BP神经网络用于电液伺服阀故障诊断 | 第66-74页 |
5.3.1 BP神经网络的结构设计 | 第67-68页 |
5.3.2 BP神经网络的程序设计 | 第68-70页 |
5.3.3 故障诊断 | 第70-74页 |
5.4 遗传算法优化BP神经网络用于电液伺服阀故障诊断 | 第74-81页 |
5.4.1 遗传算法主要参数的计算与设定 | 第74页 |
5.4.2 遗传算法优化BP神经网络的程序设计 | 第74-78页 |
5.4.3 故障诊断结果分析 | 第78-81页 |
5.5 本章小节 | 第81-82页 |
结论 | 第82-84页 |
参考文献 | 第84-88页 |
攻读硕士学位期间承担的科研任务与主要成果 | 第88-89页 |
致谢 | 第89-90页 |
作者简介 | 第90页 |