基于概率神经网络的电机故障诊断研究
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究的目的和意义 | 第7页 |
| 1.2 电机故障诊断的现状和前景 | 第7-10页 |
| 1.3 电机故障诊断的现代诊断方法 | 第10-11页 |
| 1.4 本文的主要研究内容及创新点 | 第11-13页 |
| 第二章 异步电机的故障机理分析 | 第13-25页 |
| 2.1 异步电机的工作原理 | 第13-14页 |
| 2.2 异步电动机常见故障类型 | 第14-15页 |
| 2.3 异步电动机常见故障机理 | 第15-24页 |
| 2.3.1 异步电动机定子故障机理 | 第15-17页 |
| 2.3.2 异步电动机转子故障机理 | 第17-22页 |
| 2.3.2.1 异步电动机转子断条故障 | 第17-19页 |
| 2.3.2.2 异步电动机转子偏心故障 | 第19-22页 |
| 2.3.3 异步电动机轴承故障机理 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于BP神经网络的异步电动机故障诊断 | 第25-39页 |
| 3.1 人工神经网络介绍 | 第25页 |
| 3.2 BP神经网络 | 第25-30页 |
| 3.2.1 BP神经网络模型 | 第26-27页 |
| 3.2.2 BP神经网络学习过程 | 第27-30页 |
| 3.3 基于BP神经网络的电机故障诊断 | 第30-38页 |
| 3.3.1 隐含层层数的确定 | 第30页 |
| 3.3.2 输入输出神经元数确定 | 第30-31页 |
| 3.3.3 学习样本数据的处理 | 第31-33页 |
| 3.3.4 隐含层神经元个数选取 | 第33-35页 |
| 3.3.5 训练参数的选取 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于概率神经网络的异步电动机故障诊断 | 第39-48页 |
| 4.1 概率神经网络的网络模型 | 第39-40页 |
| 4.2 概率神经网络模型的理论与方法 | 第40-41页 |
| 4.2.1 Bayes分类原理 | 第40-41页 |
| 4.2.2 Parzen窗方法 | 第41页 |
| 4.3 概率神经网络数学描述 | 第41-42页 |
| 4.4 基于概率神经网络的电机故障诊断 | 第42-46页 |
| 4.4.1 基于概率神经网络的诊断模型 | 第42-43页 |
| 4.4.2 基于PNN的故障诊断仿真分析 | 第43-46页 |
| 4.5 PNN与BP电机故障诊断系统的比较 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 电机平台构建及试验研究 | 第48-60页 |
| 5.1 平台构建 | 第48-51页 |
| 5.1.1 试验平台搭建 | 第48页 |
| 5.1.2 故障模拟 | 第48-49页 |
| 5.1.3 传感器与测点位置的选择 | 第49-51页 |
| 5.2 试验系统介绍 | 第51-53页 |
| 5.3 信号采集与分析 | 第53-57页 |
| 5.3.1 振动信号采集与分析 | 第53-54页 |
| 5.3.2 定子电流信号采集与分析 | 第54-57页 |
| 5.4 神经网络训练 | 第57-59页 |
| 5.4.1 基于BP神经网络训练及结果 | 第57-58页 |
| 5.4.2 基于PNN神经网络训练 | 第58-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
