| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究目的与意义 | 第10页 |
| 1.2 往复压缩机故障诊断国内外研究概述 | 第10-11页 |
| 1.3 图像识别技术国内外研究概述 | 第11-14页 |
| 1.3.1 图像识别技术的发展与应用 | 第11-12页 |
| 1.3.2 图像特征提取方法的应用 | 第12-14页 |
| 1.4 智能诊断方法国内外研究概述 | 第14-15页 |
| 1.4.1 人工神经网络的应用 | 第14页 |
| 1.4.2 人工免疫的应用 | 第14页 |
| 1.4.3 模糊核聚类的应用 | 第14-15页 |
| 1.5 本文研究的主要内容 | 第15-16页 |
| 第二章 往复压缩机振动信号特征提取方法研究 | 第16-31页 |
| 2.1 时域分析方法 | 第16-19页 |
| 2.1.1 波形分析 | 第16-18页 |
| 2.1.2 时域分析在往复压缩机故障诊断中的应用 | 第18-19页 |
| 2.2 频域分析方法 | 第19-24页 |
| 2.2.1 傅里叶变换理论 | 第20-21页 |
| 2.2.2 幅值谱分析 | 第21页 |
| 2.2.3 功率谱分析 | 第21-23页 |
| 2.2.4 频域分析在往复压缩机故障诊断中的应用 | 第23-24页 |
| 2.3 时频分析方法 | 第24-30页 |
| 2.3.1 短时傅里叶变换 | 第24-25页 |
| 2.3.2 Wigner-Ville分布 | 第25-27页 |
| 2.3.3 仿真分析 | 第27-28页 |
| 2.3.4 时频分析在往复压缩机故障诊断中的应用 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 往复压缩机参数图像的灰度-梯度共生矩阵特征提取方法 | 第31-49页 |
| 3.1 图像纹理特征提取方法 | 第31页 |
| 3.2 灰度共生矩阵及仿真分析 | 第31-34页 |
| 3.3 灰度-梯度共生矩阵 | 第34-39页 |
| 3.3.1 灰度直方图 | 第35-36页 |
| 3.3.2 灰度-梯度共生矩阵 | 第36-39页 |
| 3.4 基于灰度-梯度共生矩阵的往复压缩机气阀故障诊断方法研究 | 第39-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 往复压缩机参数图形识别的智能诊断方法研究 | 第49-63页 |
| 4.1 人工神经网络诊断方法及实例 | 第49-54页 |
| 4.1.1 BP神经网络结构 | 第49-50页 |
| 4.1.2 BP学习算法 | 第50-52页 |
| 4.1.3 BP网络的设计 | 第52页 |
| 4.1.4 BP神经网络在往复压缩机振动参数图形识别中的应用 | 第52-54页 |
| 4.2 模糊核聚类分析及实例 | 第54-62页 |
| 4.2.1 硬C-均值聚类算法 | 第54-55页 |
| 4.2.2 模糊聚类算法 | 第55-56页 |
| 4.2.3 模糊核聚类算法 | 第56-58页 |
| 4.2.4 基于模糊核聚类的往复压缩机气阀的振动图形方法研究 | 第58-62页 |
| 4.3 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 发表文章目录 | 第69-70页 |
| 致谢 | 第70-71页 |
| 详细摘要 | 第71-77页 |
