| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 目录 | 第8-13页 |
| 第1章 绪论 | 第13-29页 |
| ·液压机概述 | 第13-17页 |
| ·液压机简介 | 第13-14页 |
| ·液压系统组成 | 第14页 |
| ·YF32-630四柱万能液压机主要特点 | 第14-15页 |
| ·YF32-630液压机结构 | 第15-17页 |
| ·液压系统故障诊断研究现状及发展趋势 | 第17-24页 |
| ·液压系统故障诊断研究现状 | 第17-19页 |
| ·液压泵故障诊断的主要方法 | 第19-22页 |
| ·液压系统故障诊断的发展趋势及存在的问题 | 第22-23页 |
| ·小结 | 第23-24页 |
| ·本文研究内容及结构安排 | 第24-29页 |
| ·本文研究内容 | 第24-26页 |
| ·论文结构安排 | 第26-29页 |
| 第2章 液压机故障机理分析及数据采集系统的实现 | 第29-45页 |
| ·液压泵工作原理及故障机理分析 | 第29-31页 |
| ·液压泵工作原理 | 第29-30页 |
| ·液压泵故障机理分析 | 第30-31页 |
| ·柱塞泵常见故障模式 | 第31页 |
| ·液压控制系统工作原理及故障机理分析 | 第31-34页 |
| ·液压控制系统工作原理 | 第31-33页 |
| ·液压控制系统故障机理分析 | 第33-34页 |
| ·YF32-630液压机监测系统设计 | 第34-44页 |
| ·测点分布设计及主要监测项目 | 第34-38页 |
| ·数据采集使用的设备 | 第38-39页 |
| ·监测数据获取 | 第39-40页 |
| ·特征参数的计算及归一化处理 | 第40-44页 |
| ·本章小结 | 第44-45页 |
| 第3章 PARD-BP神经网络故障诊断方法 | 第45-69页 |
| ·神经网络在故障诊断中的应用 | 第45-46页 |
| ·神经网络概述 | 第46-48页 |
| ·神经元模型 | 第46-47页 |
| ·神经网络拓扑结构 | 第47-48页 |
| ·BP神经网络模型 | 第48-52页 |
| ·BP神经网络的特点 | 第49页 |
| ·BP神经网络的学习算法 | 第49-51页 |
| ·BP神经网络的局限性 | 第51-52页 |
| ·PARD-BP神经网络 | 第52-59页 |
| ·Self-Constructing算法 | 第53-55页 |
| ·基于多项式回归的Self-Constructing算法改进 | 第55-56页 |
| ·PARD-BP算法思想及实现 | 第56-59页 |
| ·BP算法与PARD-BP算法的仿真比较 | 第59-66页 |
| ·神经网络模型的建立 | 第59-61页 |
| ·传统Self-Constructing算法与PARD-BP算法的仿真训练比较 | 第61-66页 |
| ·基于PARD-BP算法的液压泵故障诊断 | 第66-68页 |
| ·本章小结 | 第68-69页 |
| 第4章 基于PSO的H-BP神经网络故障诊断方法 | 第69-89页 |
| ·粒子群优化算法 | 第69-72页 |
| ·PSO算法概述 | 第69页 |
| ·PSO算法基本思想 | 第69-71页 |
| ·粒子群优化算法的特点 | 第71-72页 |
| ·Hopfield网络简介 | 第72-78页 |
| ·Hopfield神经网络工作原理 | 第72-73页 |
| ·Hopfield网络模型 | 第73-74页 |
| ·Hopfield神经网络学习过程 | 第74-76页 |
| ·Hopfield联想记忆网络 | 第76-78页 |
| ·基于PSO的Hopfield神经网络权值优化 | 第78-81页 |
| ·基于PSO优化Hopfield神经网络权值矩阵的原理 | 第78-80页 |
| ·PSO适应度函数的确定 | 第80-81页 |
| ·基于PSO的H-BP神经网络故障诊断模型 | 第81页 |
| ·实例验证 | 第81-84页 |
| ·故障特征样本 | 第82-83页 |
| ·基于PSO的H-BP神经网络的参数设置 | 第83-84页 |
| ·基于PSO的H-BP神经网络故障诊断的步骤 | 第84页 |
| ·训练结果及比较 | 第84-87页 |
| ·构造初始Hopfield网络 | 第84-85页 |
| ·PSO训练Hopfield权值矩阵 | 第85-86页 |
| ·Hopfield网络预处理输入样本数据 | 第86-87页 |
| ·训练测试结果比较 | 第87页 |
| ·案例总结 | 第87页 |
| ·本章小结 | 第87-89页 |
| 第5章 液压泵的多源信息融合诊断与仿真 | 第89-117页 |
| ·基于神经网络故障诊断信息融合的理论基础 | 第90-95页 |
| ·神经网络多源信息融合原理 | 第90-91页 |
| ·神经网络多源信息融合性能分析 | 第91-93页 |
| ·神经网络实现信息融合的优越性 | 第93-94页 |
| ·神经网络实现数据融合的方法 | 第94-95页 |
| ·证据理论概述 | 第95-99页 |
| ·证据理论的基本概念与公式 | 第95-97页 |
| ·证据理论的组合规则 | 第97-98页 |
| ·证据理论的决策原则及其优点 | 第98-99页 |
| ·基于Dempster-Shafer证据理论的信息融合 | 第99-104页 |
| ·单传感器多测量周期可信度分配的融合 | 第100-101页 |
| ·多传感器多测量周期可信度分配的融合 | 第101-103页 |
| ·基于神经网络和D-S证据理论的多源信息融合故障诊断 | 第103-104页 |
| ·故障诊断的信息融合方法 | 第104-108页 |
| ·YF32-630液压机故障诊断模型 | 第104-107页 |
| ·液压泵融合故障诊断模型 | 第107-108页 |
| ·液压泵融合诊断的实现 | 第108-116页 |
| ·基于PARD-BP神经网络各方向振动信号的子网诊断 | 第108-111页 |
| ·基于D-S证据理论的子网信息融合 | 第111-114页 |
| ·基于PSO的H-BP温度子网故障诊断 | 第114-115页 |
| ·基于D-S证据理论的决策级融合 | 第115-116页 |
| ·本章小结 | 第116-117页 |
| 第6章 基于粗糙集的液压控制系统故障诊断规则提取 | 第117-139页 |
| ·粗糙集理论 | 第117-120页 |
| ·粗糙集的应用 | 第117-118页 |
| ·粗糙集的相关概念 | 第118-120页 |
| ·属性约简算法 | 第120-123页 |
| ·现有属性约简算法 | 第121-122页 |
| ·改进的属性约简算法 | 第122-123页 |
| ·基于粗糙集决策网络的故障诊断规则提取 | 第123-126页 |
| ·决策网络的构造 | 第123-124页 |
| ·决策规则的覆盖度 | 第124-125页 |
| ·决策规则的提取和预测 | 第125-126页 |
| ·基于粗糙集决策网络的液压控制系统故障规则提取 | 第126-138页 |
| ·实例分析 | 第126-133页 |
| ·系统实现 | 第133-136页 |
| ·决策规则实例说明 | 第136-138页 |
| ·本章小结 | 第138-139页 |
| 第7章 基于B/S结构的液压机在线监测与故障诊断系统的设计与实现 | 第139-158页 |
| ·系统设计 | 第139-142页 |
| ·系统总体 | 第139-141页 |
| ·系统详细设计 | 第141-142页 |
| ·系统数据分析 | 第142-144页 |
| ·系统开发环境 | 第142-143页 |
| ·系统数据流图 | 第143页 |
| ·系统数据词典 | 第143-144页 |
| ·系统实现关键技术—C#. net与MATLAB混合编程介绍 | 第144-149页 |
| ·技术背景介绍 | 第145页 |
| ·混合编程框架 | 第145页 |
| ·COM组件介绍 | 第145-146页 |
| ·混合编程实例 | 第146-149页 |
| ·系统状态监测与设备故障诊断功能的实现 | 第149-157页 |
| ·本章小结 | 第157-158页 |
| 第8章 结论与展望 | 第158-161页 |
| ·主要工作和创新 | 第158-159页 |
| ·展望 | 第159-161页 |
| 参考文献 | 第161-170页 |
| 致谢 | 第170-171页 |
| 攻读博士学位期间的研究成果 | 第171-173页 |
| 附录 | 第173-186页 |
