| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 课题研究的目的和意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-16页 |
| 1.2.1 国外旋转机械的状态监测与故障诊断的研究现状 | 第8-9页 |
| 1.2.2 国内状态监测与故障诊断系统的研究现状 | 第9-10页 |
| 1.2.3 水电机组振动信号的分析处理方法 | 第10-14页 |
| 1.2.4 水电机组振动故障的分类识别方法 | 第14-16页 |
| 1.3 本文的结构与研究内容 | 第16-18页 |
| 2 本文算法的基本理论 | 第18-34页 |
| 2.1 引言 | 第18-19页 |
| 2.2 多小波理论 | 第19-24页 |
| 2.2.1 多滤波器组与多小波 | 第19页 |
| 2.2.2 正交多小波的多分辨分析 | 第19页 |
| 2.2.3 对称、反对称和正交、双正交的性质 | 第19-20页 |
| 2.2.4 构造多小波 | 第20-24页 |
| 2.3 神经网络理论 | 第24-25页 |
| 2.3.1 神经网络的学习 | 第24-25页 |
| 2.3.2 神经网络特点 | 第25页 |
| 2.4 神经网的分类 | 第25-29页 |
| 2.4.1 RBF神经网络 | 第26-27页 |
| 2.4.2 BP神经网络 | 第27-29页 |
| 2.4.3 BP神经网络与RBF神经网络的比较 | 第29页 |
| 2.5 粒子群算法及其原理 | 第29-32页 |
| 2.5.1 PSO参数分析 | 第30-31页 |
| 2.5.2 PSO算法的特点 | 第31-32页 |
| 2.6 本章小结 | 第32-34页 |
| 3 基于多小波降噪方法的研究 | 第34-44页 |
| 3.1 多小波降噪的理论基础 | 第34-37页 |
| 3.1.1 GHM多小波及其滤波器 | 第34-35页 |
| 3.1.2 多小波降噪的基本原理 | 第35-36页 |
| 3.1.3 多小波的降噪评价指标 | 第36-37页 |
| 3.2 多小波自适应阈值降噪 | 第37-38页 |
| 3.2.1 原始信号预处理 | 第37-38页 |
| 3.3 降噪效果的验证 | 第38-42页 |
| 3.3.1 含噪信号的仿真验证 | 第38-40页 |
| 3.3.2 工程实测信号的验证 | 第40-42页 |
| 3.4 本章小结 | 第42-44页 |
| 4 基于粒子群算法优化RBF神经网络 | 第44-52页 |
| 4.1PSO算法优化RBF神经网络 | 第44-47页 |
| 4.1.1 RBF神经网络的特点 | 第44-45页 |
| 4.1.2 RBF神经网络的学习策略 | 第45-47页 |
| 4.2 PSO优化RBF神经网络 | 第47-48页 |
| 4.3 PSO-RBF神经网络的训练和测试 | 第48-51页 |
| 4.3.1 收集故障征兆样本 | 第48-50页 |
| 4.3.2 网络的训练和测试 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 5 基于多小波和PSO-RBF神经网络的水电机组振动故障诊断的工程应用 | 第52-62页 |
| 5.1 信号采集 | 第52-57页 |
| 5.1.1 设备的选型 | 第52-54页 |
| 5.1.2 测点的布置 | 第54-57页 |
| 5.2 特征值提取 | 第57-59页 |
| 5.2.1 提取样本 | 第57-59页 |
| 5.3 故障诊断 | 第59页 |
| 5.4 本章小结 | 第59-62页 |
| 6 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士期间发表的论文 | 第72页 |