基于PNN模型的机械设备状态预警和故障诊断方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 1 绪论 | 第9-17页 |
| ·选题背景和意义 | 第9页 |
| ·故障诊断技术的研究现状及发展趋势 | 第9-11页 |
| ·故障诊断技术的含义及研究内容 | 第9-10页 |
| ·故障诊断技术的研究现状 | 第10页 |
| ·故障诊断技术的发展趋势 | 第10-11页 |
| ·故障诊断中报警技术的研究现状 | 第11-14页 |
| ·目前常见的报警方法 | 第11-13页 |
| ·目前报警方法存在的问题 | 第13-14页 |
| ·本文研究内容 | 第14-17页 |
| 2 人工神经网络 | 第17-29页 |
| ·人工神经网络概述 | 第17-21页 |
| ·人工神经网络的发展历史 | 第17-18页 |
| ·人工神经网络的基本模型 | 第18-20页 |
| ·人工神经网络的功能 | 第20页 |
| ·人工神经网络的应用领域 | 第20-21页 |
| ·几种常见的人工神经网络 | 第21-27页 |
| ·BP神经网络 | 第21-22页 |
| ·径向基函数神经网络 | 第22-24页 |
| ·概率神经网络 | 第24-27页 |
| ·人工神经网络在故障诊断领域的应用 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 3 设备运行状态预警模型 | 第29-49页 |
| ·机械设备的故障模式及特点 | 第29-31页 |
| ·机械故障的含义及特点 | 第29-30页 |
| ·机械设备的故障模式 | 第30-31页 |
| ·机械设备的一般劣化过程及设备运行状态的划分 | 第31-32页 |
| ·概率神经网络的改进 | 第32-33页 |
| ·设备运行状态预警模型的构建 | 第33-36页 |
| ·平滑因子的确定 | 第33-34页 |
| ·数据预处理 | 第34-35页 |
| ·模型预警参数的选择 | 第35-36页 |
| ·实验数据的获取 | 第36-41页 |
| ·实验装置 | 第36-39页 |
| ·数据采集与分析系统 | 第39-40页 |
| ·实验方法 | 第40-41页 |
| ·模型的实验验证及分析 | 第41-43页 |
| ·正常状态下设备的预警模型 | 第41-42页 |
| ·包含故障状态下的设备预警模型 | 第42-43页 |
| ·自适应报警线的确定 | 第43-47页 |
| ·报警阈值的确立 | 第44-45页 |
| ·正常状态下的报警线 | 第45页 |
| ·包含故障数据的报警线 | 第45-46页 |
| ·自适应报警线 | 第46-47页 |
| ·本章小结 | 第47-49页 |
| 4 人工神经网络在故障诊断中的应用 | 第49-63页 |
| ·齿轮箱的故障诊断 | 第50-53页 |
| ·齿轮箱故障类型的确定 | 第50-51页 |
| ·特征量的选取 | 第51-53页 |
| ·基于BP神经网络的齿轮箱故障诊断模型 | 第53-55页 |
| ·网络模型的构建 | 第53页 |
| ·网络的训练与仿真 | 第53-55页 |
| ·基于RBF网络的齿轮箱故障诊断模型 | 第55-57页 |
| ·用精确设计函数进行诊断 | 第55-56页 |
| ·用普通设计函数进行诊断 | 第56-57页 |
| ·基于概率神经网络的齿轮箱故障诊断模型 | 第57-58页 |
| ·概率神经网络结构的确定 | 第57页 |
| ·训练函数的编写及仿真 | 第57-58页 |
| ·三种网络诊断性能的比较 | 第58-61页 |
| ·本章小结 | 第61-63页 |
| 5 结论与展望 | 第63-65页 |
| ·本文结论 | 第63页 |
| ·论文展望 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-69页 |
| 附录 | 第69页 |
| 攻读硕士学位期间发表的论文 | 第69页 |
