1 绪论 1
1．1 基于神经网络的智能诊断的产生、现状与发展 1
1．1．1 人工智能的功能模拟和结构模拟 1
1．1．2 诊断工程发展的历史与现状 2
2 基于小波变换的信号处理 3
4．2．2 演化算法的基本结构 4
1．1．3 基于神经网络的智能诊断的形成 6
1．1．4 基于神经网络的智能诊断的发展动向 10
1．2 神经网络的基本特征 12
1．2．1 神经网络的特点 12
1．2．2 神经网络的分类 13
1．2．3 神经网络的结构和函数映射 14
1．3 信号处理的主要方法 16
1．3．1 信号的定义和分类 16
1．3．2 信号的预处理 17
1．3．3 信号处理中的谱分析技术 21
1．3．4 信号处理中的时间序列法 30
1．3．5 基于小波变换的信号处理 35
1．3．6 人工神经网络信号处理方法 35
1．4 智能诊断中常用的识别理论及方法(智能诊断原理) 35
1．4．1 统计识别法 35
1．4．2 函数识别法 43
1．4．3 逻辑识别法 47
1．4．4 模糊识别法 49
1．4．5 灰色识别法 57
1．4．6 神经网络识别法 66
2．1 小波分析的源起 73
2．2 小波分析基础 75
2．2．1 小波分析定义 75
2．2．2 多分辨率分析 77
2．2．3 小波包分析 78
2．3 小波分析的工程解释 79
2．3．1 尺度函数和小波函数的构造 79
2．2．4 小波和小波包分解的信号重构 79
2．3．2 尺度函数和小波函数的物理意义 80
2．3．3 多分辨率分析的直观表示和理解 81
2．3．4 小波分解和小波包分解的直观表示 82
2．4 小波分析的进一步讨论 82
2．4．1 小波基的选取问题 82
2．4．2 小波分析的边界问题 85
2．5 小波分析应用实例 86
2．6 基于小波分析的信号处理 89
2．6．1 奇异信号检测 89
2．6．2 信噪分离 90
2．6．3 频带分析技术 94
2．7 小波诊断的工程应用 97
2．7．1 功率谱的多分辨率识别 97
2．7．2 柴油机振动信号的多分辨率分析 99
2．7．3 柴油机振动信号的小波包分析 101
3．1．1 生物神经元模型 104
3．1 神经网络综论 104
3 神经网络结构的确定及算法改进 104
3．1．2 神经网络的基本特征和性质 105
3．1．3 神经网络的故障诊断能力 106
3．2 神经网络的基本原理 108
3．2．1 反向传播网络 109
3．2．2 自适应线性元件 112
3．2．3 汉明网络 113
3．2．4 自组织映射Kohonen网络 114
3．2．5 Hopfield网络 116
3．2．6 Boltzmann机和模拟退火算法 117
3．3 多层感知器性能分析及结构的确定 120
3．3．1 隐层数的分析 120
3．3．3 隐层神经元的作用机理分析 121
3．3．2 隐层节点数的确定 121
3．3．4 隐层神经元数的自适应确定 123
3．4 对BP算法的改进 124
3．4．1 算法的概况 124
3．4．2 输出层的优化 125
3．4．3 网络的线性化 126
3．4．4 隐层的优化 127
3．5 特征提取及神经网络的训练 129
3．5．2 神经网络与特征提取 130
3．5．1 多频潜分析与特征提取 130
3．5．3 神经网络的训练 131
3．6 汽轮机故障神经网络智能诊断 133
3．6．1 松动故障机理 133
3．6．2 摩擦故障机理 135
3．6．3 汽轮机故障诊断 137
4．1．1 演化算法发展的历史及现状 139
4 演化算法及其在智能诊断中的应用 139
4．1 演化算法概述 139
4．1．2 演化算法的分支 140
4．1．3 演化算法的数学描述 142
4．2 演化算法的基本原理 142
4．2．1 遗传算法的基本算子及其定理 142
4．2．3 演化算法的基本特征 147
4．2．4 演化算法与其他搜索算法的比较 148
4．3 演化算法求解过程 149
4．2．5 演化算法中交叉的意义 149
4．4 演化算法的工程应用 153
4．4．1 故障诊断 153
4．4．2 系统辨识 154
4．4．3 最优控制 154
4．4．4 化工过程 155
4．4．5 电力系统 155
4．4．6 模糊控制 155
4．5 演化算法的改进 156
4．5．1 演化算法的特点 156
4．4．7 其他应用 156
4．5．2 GA的改进 157
4．5．3 对遗传算法中交叉和变异操作的改进及作用原理探讨 159
4．5．4 改进算法的性能测试 163
4．6 智能诊断中的演化算法 166
4．6．1 诊断问题的数学描述 166
4．6．2 遗传算法故障诊断实例 167
5．2．1 多分辨率分析和神经网络的结合 170
5．2 小波分析和神经网络的松散型结合 170
5．1 小波分析和神经网络的结合途径 170
5 小波神经网络 170
5．2．2 小波包分析和神经网络的结合 172
5．3 从函数逼近到小波神经网络 174
5．4 小波神经网络的训练 176
5．5 小波神经网络函数逼近特性分析 177
5．6 多维小波神经网络 178
6 演化多层感知器 180
6．1 概述 180
6．2 演化神经网络研究 181
6．3 演化算法对多层感知器结构的优化 184
6．4 多层感知器优化的编码特性研究 187
6．5 演化多层感知器的实现及其在故障诊断中的应用 188
7 集成神经网络 191
7．1 设备诊断信息融合方法 191
7．1．1 贝叶斯信息融合方法 191
7．1．2 D-S推理信息融合方法 192
7．2 神经网络与信息融合 194
7．3 集成神经网络建模方法 195
7．4 子神经网络的组建原则 196
7．5 集成神经网络的实现策略 197
7．6 集成神经网络诊断实例 200
8 基于神经网络的智能监测诊断系统 203
8．1 智能自动监测诊断系统的设计 203
8．2 旋转机械类智能诊断系统 204
8．2．1 风机监测诊断系统的构成 205
8．2．2 风机监测诊断系统的设计 205
8．2．3 风机诊断系统运行实例 207
8．2．4 系统的智能自动化行为 207
8．3．1 往复机械故障诊断技术研究现状及发展 208
8．3 往复机械类智能诊断系统 208
8．3．2 柴油机故障分类及主要故障模式 212
8．3．3 柴油机故障诊断油液分析子系统 213
8．3．4 柴油机故障振声诊断子系统 219
8．3．5 柴油机集成神经网络诊断系统 225
8．4 工程结构智能诊断系统 226
8．4．1 工程结构故障智能诊断系统的历史与现状 226
8．4．2 基于知识的结构故障诊断专家系统 229
8．4．3 结构故障诊断的标准谱及计算机仿真(计算机仿真建立知识库) 231
8．4．4 结构故障诊断智能系统NUDES 244
8．4．5 NUDES系统在钢梁和钢筋混凝土梁裂缝诊断中的应用 259
8．5 智能诊断系统的发展前景 264
8．5．1 诊断理论与神经网络的结合 264
8．5．2 信号处理与神经网络的融合 269
8．5．3 神经网络结构的改进 270
8．5．4 基于知识的故障诊断专家系统与基于神经网络的智能诊断系统的结合 270
8．5．5 设备故障诊断智能系统的微型化和“傻瓜”化 270
附录 271
参考文献 287