| 1 绪论 | 第1-17页 |
| 1．1 选题的目的与意义 | 第9页 |
| 1．2 故障诊断技术的内容 | 第9-11页 |
| 1．3 故障诊断方法 | 第11-12页 |
| 1．4 故障诊断技术的发展历史 | 第12-13页 |
| 1．5 国内外故障诊断技术的发展现状 | 第13-14页 |
| 1．6 故障诊断技术的发展趋势 | 第14-15页 |
| 1．7 本论文的主要工作 | 第15-16页 |
| 1．8 本章小结 | 第16-17页 |
| 2 异步电动机故障诊断系统 | 第17-27页 |
| 2．1 异步电动机监测与故障诊断发展状况 | 第17-18页 |
| 2．2 异步电动机故障形式和机理研究 | 第18-20页 |
| 2．3 故障机理与技术、工作环境之间的关系 | 第20页 |
| 2．4 电动机故障诊断技术 | 第20-23页 |
| 2．5 电动机故障的振动特征分析 | 第23-26页 |
| 2．6 本章小结 | 第26-27页 |
| 3 基于神经网络的专家系统 | 第27-61页 |
| 3．1 专家系统 | 第28-34页 |
| 3．1．1 专家系统 | 第28-32页 |
| 3．1．2 专家诊断系统 | 第32-34页 |
| 3．2 人工神经网络 | 第34-51页 |
| 3．2．1 人工神经网络的基本特征 | 第35页 |
| 3．2．2 人工神经网络的基本概念 | 第35-39页 |
| 3．2．3 神经网络的学习算法 | 第39-50页 |
| 3．2．4 基于神经网络的故障诊断 | 第50-51页 |
| 3．3 基于神经网络的专家系统 | 第51-60页 |
| 3．3．1 基于神经网络的专家系统的组成 | 第52-55页 |
| 3．3．2 基于神经网络的专家系统的知识库 | 第55-57页 |
| 3．3．3 基于神经网络的专家诊断系统的诊断推理机 | 第57-60页 |
| 3．4 本章小结 | 第60-61页 |
| 4 信息采集与分配 | 第61-70页 |
| 4．1 信号采集 | 第61-62页 |
| 4．2 信号处理与特征提取 | 第62页 |
| 4．3 异步电动机故障特征的提取 | 第62-66页 |
| 4．3．1 小波分析原理 | 第63-64页 |
| 4．3．2 基于小波包分解的信号特征提取 | 第64-66页 |
| 4．4 特征信息分配 | 第66-69页 |
| 4．4．1 信息熵评价准则 | 第67-68页 |
| 4．4．2 特征子集搜索方法 | 第68-69页 |
| 4．5 本章小结 | 第69-70页 |
| 5 集成神经网络的实现 | 第70-82页 |
| 5．1 神经网络进行电动机故障诊断的机理 | 第70页 |
| 5．2 并行神经网络 | 第70-74页 |
| 5．2．1 子神经网络的结构 | 第71-72页 |
| 5．2．2 子神经网络学习训练过程 | 第72-74页 |
| 5．3 决策融合网络的决策诊断 | 第74-81页 |
| 5．3．1 信息融合方法 | 第74-77页 |
| 5．3．2 决策网络的融合算法 | 第77-81页 |
| 5．3．3 决策融合诊断 | 第81页 |
| 5．4 本章小结 | 第81-82页 |
| 6 智能故障诊断技术的应用 | 第82-95页 |
| 6．1 通风电动机故障特征的提取 | 第82-86页 |
| 6．2 集成神经网络的构建 | 第86-91页 |
| 6．3 软件实现 | 第91-92页 |
| 6．4 诊断实例 | 第92-94页 |
| 6．5 本章小结 | 第94-95页 |
| 结论 | 第95-97页 |
| 作者在攻读硕士学位期间发表的论文 | 第97页 |
| 作者在攻读硕士学位期间参与的科研项目 | 第97-98页 |
| 致谢 | 第98-99页 |
| 参考文献 | 第99-102页 |