| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第10-15页 |
| 1.1 机械设备状态监测和故障诊断概述 | 第10-11页 |
| 1.2 机械设备状态监测与故障诊断在国内外研究现状 | 第11-12页 |
| 1.3 设备状态监测和故障诊断的含义 | 第12-13页 |
| 1.4 课题意义及研究内容 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 神经网络诊断方法 | 第15-29页 |
| 2.1 神经网络综述 | 第15-20页 |
| 2.1.1 神经网络发展 | 第15-16页 |
| 2.1.2 神经网络的基本特征与功能 | 第16页 |
| 2.1.3 神经网络模型 | 第16-17页 |
| 2.1.4 神经网络在故障模式识别中的应用 | 第17-19页 |
| 2.1.5 设备故障诊断的神经网络方法与应用 | 第19-20页 |
| 2.2 BP 网络原理 | 第20-28页 |
| 2.2.1 BP 网络结构 | 第20-21页 |
| 2.2.2 BP 网络算法流程 | 第21-23页 |
| 2.2.3 BP 网络学习规则 | 第23-25页 |
| 2.2.4 BP 网络的设计 | 第25-26页 |
| 2.2.5 BP 网络的不足及改进 | 第26页 |
| 2.2.6 基于 MATLAB 的 BP 网络仿真研究 | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 3 振动信号的时域 BP 网络分析方法 | 第29-39页 |
| 3.1 时域波形分析 | 第29页 |
| 3.2 时域统计量分析 | 第29-34页 |
| 3.2.1 时域特征参量在设备状态监测中的应用实例分析 | 第31-34页 |
| 3.3 基于时域 BP 网络的风机状态的判别 | 第34-37页 |
| 3.3.1 时域特征量提取 | 第35-36页 |
| 3.3.2 神经网络的训练 | 第36页 |
| 3.3.3 神经网络的测试 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 4 振动信号的频域 BP 网络分析方法 | 第39-46页 |
| 4.1 频谱分析 | 第39-40页 |
| 4.2 细化谱分析（ZOOM-FFT） | 第40-42页 |
| 4.3 倒频谱分析 | 第42-43页 |
| 4.4 基于频谱 BP 网络的风机状态识别与故障诊断 | 第43-45页 |
| 4.4.1 各频段的谱能量的提取方法 | 第43页 |
| 4.4.2 神经网络的训练 | 第43-44页 |
| 4.4.3 神经网络的测试 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 5 振动信号的时频 BP 网络分析方法 | 第46-62页 |
| 5.1 小波变换 | 第46-52页 |
| 5.1.1 小波变换理论的发展 | 第46页 |
| 5.1.2 常用的小波函数 | 第46-49页 |
| 5.1.3 连续小波与离散小波变换 | 第49-51页 |
| 5.1.4 多分辨率分析 | 第51-52页 |
| 5.1.5 小波分析应用 | 第52页 |
| 5.2 小波包分析 | 第52-55页 |
| 5.2.1 小波包分析 | 第52-53页 |
| 5.2.2 小波包定义 | 第53-54页 |
| 5.2.3 小波包分解频带能量监测 | 第54-55页 |
| 5.3 基于小波 BP 网络的风机状态判别 | 第55-61页 |
| 5.3.1 小波包提取故障特征方法 | 第55-56页 |
| 5.3.2 故障特征提取 | 第56-59页 |
| 5.3.3 神经网络的训练 | 第59-60页 |
| 5.3.4 神经网络的测试 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 6 结论 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 在学研究成果 | 第67-68页 |
| 致谢 | 第68页 |
