远程实时电子装置故障诊断方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 选题背景和目的 | 第13-14页 |
| 1.2 电子装置故障诊断技术概况 | 第14-16页 |
| 1.2.1 电子装置故障诊断技术的发展 | 第14-15页 |
| 1.2.2 电子装置故障诊断技术国外研究现状 | 第15-16页 |
| 1.2.3 电子装置故障诊断技术国内研究现状 | 第16页 |
| 1.3 电子装置故障诊断技术的研究热点 | 第16页 |
| 1.4 研究内容及章节安排 | 第16-19页 |
| 1.4.1 研究内容与论文框架 | 第16-17页 |
| 1.4.2 论文章节安排 | 第17-19页 |
| 第2章 故障检测与故障仿真 | 第19-31页 |
| 2.1 常见故障及分类 | 第19页 |
| 2.2 故障检测理论及方法 | 第19-20页 |
| 2.3 故障仿真 | 第20-26页 |
| 2.3.1 概述 | 第20-21页 |
| 2.3.2 灵敏度分析 | 第21-24页 |
| 2.3.3 故障模式仿真 | 第24-26页 |
| 2.4 实验分析 | 第26-30页 |
| 2.4.1 基于相关性分析的故障检测实验 | 第26-29页 |
| 2.4.2 结果分析 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 故障特征提取 | 第31-47页 |
| 3.1 引言 | 第31页 |
| 3.2 小波理论 | 第31-38页 |
| 3.2.1 小波变换与多分辨分析 | 第31-35页 |
| 3.2.2 小波包变换 | 第35-37页 |
| 3.2.3 小波变换与小波包变换的比较 | 第37-38页 |
| 3.3 采用小波提取故障特征的方法 | 第38-40页 |
| 3.3.1 特征向量的小波变换提取 | 第38-39页 |
| 3.3.2 特征向量的小波包分解提取 | 第39-40页 |
| 3.4 实验分析及结论 | 第40-46页 |
| 3.4.1 小波变换提取 | 第40-42页 |
| 3.4.2 小波包分解提取 | 第42-44页 |
| 3.4.3 对比分析 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 基于BP神经网络的故障模式分类 | 第47-67页 |
| 4.1 引言 | 第47页 |
| 4.2 人工神经网络理论 | 第47-49页 |
| 4.2.1 神经元模型 | 第47-48页 |
| 4.2.2 人工神经网络结构 | 第48-49页 |
| 4.2.3 人工神经网络的学习 | 第49页 |
| 4.2.4 故障诊断中常用神经网络模型 | 第49页 |
| 4.3 BP神经网络 | 第49-54页 |
| 4.3.1 基本结构 | 第49-51页 |
| 4.3.2 BP算法 | 第51-52页 |
| 4.3.3 BP算法的局限性及改进方法 | 第52-54页 |
| 4.4 故障模式识别与分类实验 | 第54-66页 |
| 4.4.1 训练样本集的选取 | 第54-55页 |
| 4.4.2 BP神经网络结构的设计 | 第55-57页 |
| 4.4.3 BP神经网络的训练 | 第57-59页 |
| 4.4.4 BP神经网络的测试 | 第59-65页 |
| 4.4.5 测试数据处理与结果分析 | 第65-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第5章 远程实时电子装置故障诊断系统 | 第67-80页 |
| 5.1 引言 | 第67页 |
| 5.2 系统总体结构与功能介绍 | 第67-68页 |
| 5.3 硬件设计 | 第68-70页 |
| 5.4 软件设计 | 第70-76页 |
| 5.4.1 软件系统功能与结构 | 第70-72页 |
| 5.4.2 基于NiosⅡ的IP核设计 | 第72-73页 |
| 5.4.3 故障检测模块 | 第73-74页 |
| 5.4.4 远程监测模块 | 第74页 |
| 5.4.5 故障诊断模块 | 第74-76页 |
| 5.5 故障诊断实例验证 | 第76-79页 |
| 5.6 本章小结 | 第79-80页 |
| 第6章 总结及展望 | 第80-82页 |
| 6.1 全文总结 | 第80-81页 |
| 6.2 展望 | 第81-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 学术论文和科研成果目录 | 第87页 |
