基于粗糙集和神经网络的柴油机故障诊断研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-16页 |
| ·课题的研究背景和意义 | 第10-11页 |
| ·故障诊断技术研究现状 | 第11-12页 |
| ·基于粗糙集和神经网络的故障诊断技术 | 第12-14页 |
| ·粗糙集理论的研究现状 | 第12-13页 |
| ·粗糙集理论在故障诊断中的应用 | 第13-14页 |
| ·粗糙集理论与人工神经网络结合的可行性分析 | 第14页 |
| ·本文的主要内容 | 第14-16页 |
| 2 粗糙集理论和人工神经网络 | 第16-25页 |
| ·粗糙集理论基础 | 第16-21页 |
| ·知识与不可分辨关系 | 第16-17页 |
| ·上近似和下近似 | 第17页 |
| ·粗糙集的近似分类精度和近似分类质量 | 第17-18页 |
| ·知识的依赖度 | 第18-19页 |
| ·约简与核 | 第19-20页 |
| ·粗糙集应用软件 | 第20-21页 |
| ·RBF 神经网络结构与学习算法 | 第21-22页 |
| ·多源信息融合 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 3 柴油机故障诊断机理 | 第25-34页 |
| ·柴油机的工作原理和结构特性 | 第25-28页 |
| ·柴油机的基本结构 | 第25-27页 |
| ·柴油机的动力性能分析 | 第27-28页 |
| ·柴油机典型故障模式和故障特征 | 第28-30页 |
| ·柴油机典型故障模式 | 第28-29页 |
| ·柴油机故障的特征 | 第29-30页 |
| ·柴油机振声诊断系统 | 第30-32页 |
| ·柴油机振动的激振源 | 第30-31页 |
| ·柴油机振动信号的特性 | 第31页 |
| ·柴油机噪声信号的诊断原理 | 第31-32页 |
| ·基于粗糙集和人工神经网络的故障诊断系统 | 第32-33页 |
| ·系统的结构特点 | 第32-33页 |
| ·故障诊断步骤 | 第33页 |
| ·本章小结 | 第33-34页 |
| 4 柴油机故障诊断实验 | 第34-60页 |
| ·柴油机状态信号的检测 | 第34-39页 |
| ·实验系统的工作原理 | 第34-35页 |
| ·实验测点的布置 | 第35-37页 |
| ·实验工况的设置 | 第37页 |
| ·振动信号采样频率的选择 | 第37-38页 |
| ·实验步骤 | 第38-39页 |
| ·柴油机状态信号特征值的提取 | 第39-55页 |
| ·振动信号的时域频域特性 | 第39-43页 |
| ·基于时域频域分析法的特征值提取 | 第43-48页 |
| ·基于小波包能量谱的特征值提取 | 第48-53页 |
| ·噪声信号特征值的提取 | 第53-55页 |
| ·实验测点的对比优选 | 第55-58页 |
| ·本章小结 | 第58-60页 |
| 5 粗糙集理论在故障诊断中的应用 | 第60-76页 |
| ·实验测点的优化 | 第60-67页 |
| ·决策表的建立 | 第60页 |
| ·基于分类误差的测点优化方法 | 第60-62页 |
| ·基于属性依赖度的测点优化方法 | 第62-65页 |
| ·测点优化结果分析 | 第65-67页 |
| ·特征值的优化 | 第67-74页 |
| ·基于粗糙集的离散化方法 | 第67-70页 |
| ·基于粗糙集的属性约简算法 | 第70-74页 |
| ·特征值的优化结果分析 | 第74页 |
| ·本章小结 | 第74-76页 |
| 6 人工神经网络故障模式分类 | 第76-88页 |
| ·RBF 人工神经网络故障诊断 | 第76-82页 |
| ·特征值的归一化 | 第76-77页 |
| ·各个典型测点的故障诊断结果 | 第77-82页 |
| ·振动与噪声信号的特征融合 | 第82-87页 |
| ·神经网络与信息融合的结合 | 第82-83页 |
| ·特征融合的诊断结果 | 第83-87页 |
| ·本章小结 | 第87-88页 |
| 总结与展望 | 第88-90页 |
| 参考文献 | 第90-95页 |
| 攻读硕士学位期间发表的论文 | 第95-96页 |
| 致谢 | 第96页 |
