機械故障信號的量子計算分析及智能診斷

第1章 概論
1.1 機械故障信號處理和智能診斷技術(shù)
1.2 機械故障信號的特征提取方法研究現(xiàn)狀
1.2.1 傅里葉變換
1.2.2 小波變換
1.2.3 希爾伯特-黃變換
1.2.4 AR模型
1.3 機械故障信號特征選擇方法研究現(xiàn)狀
1.3.1 遺傳算法
1.3.2 遺傳偏最小二乘法
1.4 機械故障信號智能診斷的研究現(xiàn)狀
1.4.1 專家系統(tǒng)
1.4.2 神經(jīng)網(wǎng)絡(luò)
1.4.3 支持向量機
1.4.4 限制波爾茲曼機網(wǎng)絡(luò)
第2章 量子計算基礎(chǔ)
2.1 引言
2.2 量子力學概念
2.2.1 量子態(tài)及其特性
2.2.2 希爾伯特空間及其運算
2.2.3 幺正變換
2.3 量子比特表示
2.3.1 二維直角坐標
2.3.2 三維Bloch球面坐標
2.4 量子寄存器
2.5 量子門
2.5.1 單量子比特門
2.5.2 雙量子比特門
2.5.3 通用量子門
2.6 量子線路
2.7 量子計算的研究現(xiàn)狀
2.7.1 量子計算研究概況
2.7.2 量子計算在振動信號處理和智能診斷中的應(yīng)用現(xiàn)狀
第3章 機械故障信號的量子傅里葉變換特征提取方法
3.1 引言
3.2 機械故障設(shè)備常見故障
3.2.1 齒輪常見故障
3.2.2 液壓系統(tǒng)常見故障
3.3 機械故障信號的采集系統(tǒng)
3.3.1 齒輪振動試驗臺架
3.3.2 液壓系統(tǒng)綜合檢測試驗設(shè)備
3.4 量子傅里葉變換
3.4.1 基本原理
3.4.2 算法實現(xiàn)步驟
3.4.3 仿真信號分析
3.5 量子傅里葉變換在機械故障信號特征提取中的應(yīng)用
3.5.1 齒輪故障信號分析
3.5.2 軸向柱塞泵故障信號分析
3.6 本章小結(jié)
第4章 基于希爾伯特-黃和AR模型的特征提取方法
4.1 漸近式權(quán)值小波變換的降噪方法
4.1.1 小波變換用于信號降噪的原理
4.1.2 漸近式權(quán)值小波降噪方法
4.1.3 仿真實驗分析
4.1.4 基于漸近式權(quán)值小波的軸向柱塞泵振動信號降噪
4.2 基于希爾伯特-黃變換和AR模型的特征提取模型
4.2.1 希爾伯特-黃變換
4.2.2 AR模型
4.2.3 基于希爾伯特-黃變換和AR模型的特征提取模型
4.2.4 實例分析
4.3 本章小結(jié)
第5章 機械故障信號的量子神經(jīng)網(wǎng)絡(luò)分類方法研究
5.1 引言
5.2 量子BP神經(jīng)網(wǎng)絡(luò)
5.2.1 神經(jīng)元模型
5.2.2 學習算法
5.3 量子BP神經(jīng)網(wǎng)絡(luò)的機械故障信號分類
5.3.1 齒輪故障信號分類
5.3.2 軸向柱塞泵故障信號分類
5.4 通用量子門的量子神經(jīng)網(wǎng)絡(luò)
5.4.1 神經(jīng)元模型
5.4.2 算法描述
5.4.3 泛化性能分析
5.4.4 仿真結(jié)果對比
5.5 通用量子門量子神經(jīng)網(wǎng)絡(luò)的機械故障信號分類
5.5.1 齒輪故障信號分類
5.5.2 軸向柱塞泵故障信號分類
5.6 本章小結(jié)
第6章 機械故障信號的量子限制波爾茲曼機網(wǎng)絡(luò)分類方法研究
6.1 引言
6.2 基于量子計算的限制波爾茲曼機網(wǎng)絡(luò)（QRBM）
6.2.1 限制波爾茲曼機網(wǎng)絡(luò)
6.2.2 QRBM神經(jīng)元模型
6.2.3 QRBM的算法實現(xiàn)
6.2.4 網(wǎng)絡(luò)參數(shù)的優(yōu)化和更新
6.3 基于QRBM的機械故障信號分類方法
6.3.1 齒輪故障信號分類
6.3.2 軸向柱塞泵故障信號分類
6.4 基于量子門的量子限制波爾茲曼機網(wǎng)絡(luò)
6.4.1 量子線路的搭建
6.4.2 學習算法
6.5 基于QGRBM的機械故障信號分類方法
6.5.1 齒輪故障信號分類
6.5.2 軸向柱塞泵故障信號分類
6.6 本章小結(jié)
第7章 量子遺傳算法特征選擇方法研究
7.1 引言
7.2 基于通用量子門的量子遺傳算法（uQGN）
7.2.1 基本量子遺傳算法
7.2.2 UQGA的算法描述
7.2.3 收斂性證明
7.3 UQGA在機械故障信號特征選擇中的應(yīng)用
7.3.1 UQGA在齒輪故障信號特征選擇中的應(yīng)用
7.3.2 UQGA在軸向柱塞泵故障信號特征選擇中的應(yīng)用
7.4 漸近式Bloch球面搜索的量子遺傳算法
7.4.1 GABQGA的基本原理
7.4.2 GABQGA的算法描述
7.5 GABQGA在機械故障信號特征選擇中的應(yīng)用
7.5.1 GABQGA在齒輪故障信號特征選擇中的應(yīng)用
7.5.2 GABQGA在軸向柱塞泵故障信號特征選擇中的應(yīng)用
7.6 本章小結(jié)
第8章 遺傳偏最小二乘法特征選擇方法研究
8.1 GAPLS特征選擇算法
8.1.1 遺傳算法
8.1.2 偏最小二乘回歸分析
8.1.3 GAPLS法
8.2 仿真實驗
8.3 實例分析
8.3.1 基于GAPLS算法的軸向柱塞泵特征選擇模型
8.3.2 基于GAPLS算法的手動換向閥特征選擇模型
8.4 本章小結(jié)
第9章 量子遺傳偏最小二乘特征選擇方法研究
9.1 引言
9.2 量子偏最小二乘法
9.2.1 基本理論
9.2.2 學習算法
9.2.3 交叉檢驗的有效性分析
9.2.4 量子線路
9.3 量子遺傳偏最小二乘法（QGAPLS）
9.3.1 QGAPLS的算法描述
9.3.2 仿真結(jié)果對比
9.4 QGAPLS在機械故障信號特征選擇中的應(yīng)用
9.4.1 QGAPLS在齒輪故障信號特征選擇中的應(yīng)用
9.4.2 QGAPLS在軸向柱塞泵故障信號特征選擇中的應(yīng)用
9.5 機械設(shè)備在線狀態(tài)監(jiān)測的QGRBM優(yōu)化策略
9.5.1 改進的量子遺傳偏最小二乘法
9.5.2 齒輪箱在線狀態(tài)監(jiān)測的QGRBM優(yōu)化策略
9.5.3 軸向柱塞泵在線狀態(tài)監(jiān)測的QGRBM優(yōu)化策略
9.6 本章小結(jié)
第10章 液壓系統(tǒng)故障診斷專家系統(tǒng)的設(shè)計與實現(xiàn)
10.1 液壓故障診斷專家系統(tǒng)總體設(shè)計
10.2 專家系統(tǒng)知識庫
10.2.1 知識的獲取
10.2.2 知識的表示
10.2.3 基于故障樹的專家系統(tǒng)知識庫的建立
10.2.4 故障樹知識庫管理界面
10.2.5 支持向量機知識庫的建立
10.3 診斷推理功能的設(shè)計與實現(xiàn)
10.3.1 基于故障樹分析的診斷推理的實現(xiàn)
10.3.2 支持向量機診斷推理模塊的設(shè)計實現(xiàn)
10.3.3 解釋機制
10.3.4 Delphi調(diào)用Matlab的編程實現(xiàn)技術(shù)
10.4 本章小結(jié)
參考文獻