机械故障信号的量子计算分析及智能诊断

第1章  概论
  1.1 机械故障信号处理和智能诊断技术
  1.2 机械故障信号的特征提取方法研究现状
    1.2.1 傅里叶变换
    1.2.2 小波变换
    1.2.3 希尔伯特-黄变换
    1.2.4 ar模型
  1.3 机械故障信号特征选择方法研究现状
    1.3.1 遗传算法
    1.3.2 遗传偏*小二乘法
  1.4 机械故障信号智能诊断的研究现状
    1.4.1 专家系统
    1.4.2 神经网络
    1.4.3 支持向量机
    1.4.4 限制波尔兹曼机网络
第2章  量子计算基础
  2.1 引言
  2.2 量子力学概念
    2.2.1 量子态及其特性
    2.2.2 希尔伯特空间及其运算
    2.2.3 幺正变换
  2.3 量子比特表示
    2.3.1 二维直角坐标
    2.3.2 三维bloch球面坐标
  2.4 量子寄存器
  2.5 量子门
    2.5.1 单量子比特门
    2.5.2 双量子比特门
    2.5.3 通用量子门
  2.6 量子线路
  2.7 量子计算的研究现状
    2.7.1 量子计算研究概况
    2.7.2 量子计算在振动信号处理和智能诊断中的应用现状
第3章  机械故障信号的量子傅里叶变换特征提取方法
  3.1 引言
  3.2 机械故障设备常见故障
    3.2.1 齿轮常见故障
    3.2.2 液压系统常见故障
  3.3 机械故障信号的采集系统
    3.3.1 齿轮振动试验台架
    3.3.2 液压系统综合检测试验设备
  3.4 量子傅里叶变换
    3.4.1 基本原理
    3.4.2 算法实现步骤
    3.4.3 仿真信号分析
  3.5 量子傅里叶变换在机械故障信号特征提取中的应用
    3.5.1 齿轮故障信号分析
    3.5.2 轴向柱塞泵故障信号分析
  3.6 本章小结
第4章  基于希尔伯特-黄和ar模型的特征提取方法
  4.1 渐近式权值小波变换的降噪方法
    4.1.1 小波变换用于信号降噪的原理
    4.1.2 渐近式权值小波降噪方法
    4.1.3 仿真实验分析
    4.1.4 基于渐近式权值小波的轴向柱塞泵振动信号降噪
  4.2 基于希尔伯特-黄变换和ar模型的特征提取模型
    4.2.1 希尔伯特-黄变换
    4.2.2 ar模型
    4.2.3 基于希尔伯特-黄变换和ar模型的特征提取模型
    4.2.4 实例分析
  4.3 本章小结
第5章  机械故障信号的量子神经网络分类方法研究
  5.1 引言
  5.2 量子bp神经网络
    5.2.1 神经元模型
    5.2.2 学习算法
  5.3 量子bp神经网络的机械故障信号分类
    5.3.1 齿轮故障信号分类
    5.3.2 轴向柱塞泵故障信号分类
  5.4 通用量子门的量子神经网络
    5.4.1 神经元模型
    5.4.2 算法描述
    5.4.3 泛化性能分析
    5.4.4 仿真结果对比
  5.5 通用量子门量子神经网络的机械故障信号分类
    5.5.1 齿轮故障信号分类
    5.5.2 轴向柱塞泵故障信号分类
  5.6 本章小结
第6章  机械故障信号的量子限制波尔兹曼机网络分类方法研究
  6.1 引言
  6.2 基于量子计算的限制波尔兹曼机网络（qrbm）
    6.2.1 限制波尔兹曼机网络
    6.2.2 qrbm神经元模型
    6.2.3 qrbm的算法实现
    6.2.4 网络参数的优化和更新
  6.3 基于qrbm的机械故障信号分类方法
    6.3.1 齿轮故障信号分类
    6.3.2 轴向柱塞泵故障信号分类
  6.4 基于量子门的量子限制波尔兹曼机网络
    6.4.1 量子线路的搭建
    6.4.2 学习算法
  6.5 基于qgrbm的机械故障信号分类方法
    6.5.1 齿轮故障信号分类
    6.5.2 轴向柱塞泵故障信号分类
  6.6 本章小结
第7章  量子遗传算法特征选择方法研究
  7.1 引言
  7.2 基于通用量子门的量子遗传算法（uqgn）
    7.2.1 基本量子遗传算法
    7.2.2 uqga的算法描述
    7.2.3 收敛性证明
  7.3 uqga在机械故障信号特征选择中的应用
    7.3.1 uqga在齿轮故障信号特征选择中的应用
    7.3.2 uqga在轴向柱塞泵故障信号特征选择中的应用
  7.4 渐近式bloch球面搜索的量子遗传算法
    7.4.1 gabqga的基本原理
    7.4.2 gabqga的算法描述
  7.5 gabqga在机械故障信号特征选择中的应用
    7.5.1 gabqga在齿轮故障信号特征选择中的应用
    7.5.2 gabqga在轴向柱塞泵故障信号特征选择中的应用
  7.6 本章小结
第8章  遗传偏*小二乘法特征选择方法研究
  8.1 gapls特征选择算法
    8.1.1 遗传算法
    8.1.2 偏*小二乘回归分析
    8.1.3 gapls法
  8.2 仿真实验
  8.3 实例分析
    8.3.1 基于gapls算法的轴向柱塞泵特征选择模型
    8.3.2 基于gapls算法的手动换向阀特征选择模型
  8.4 本章小结
第9章  量子遗传偏*小二乘特征选择方法研究
  9.1 引言
  9.2 量子偏*小二乘法
    9.2.1 基本理论
    9.2.2 学习算法
    9.2.3 交叉检验的有效性分析
    9.2.4 量子线路
  9.3 量子遗传偏*小二乘法（qgapls）
    9.3.1 qgapls的算法描述
    9.3.2 仿真结果对比
  9.4 qgapls在机械故障信号特征选择中的应用
    9.4.1 qgapls在齿轮故障信号特征选择中的应用
    9.4.2 qgapls在轴向柱塞泵故障信号特征选择中的应用
  9.5 机械设备在线状态监测的qgrbm优化策略
    9.5.1 改进的量子遗传偏*小二乘法
    9.5.2 齿轮箱在线状态监测的qgrbm优化策略
    9.5.3 轴向柱塞泵在线状态监测的qgrbm优化策略
  9.6 本章小结
第10章  液压系统故障诊断专家系统的设计与实现
  10.1 液压故障诊断专家系统总体设计
  10.2 专家系统知识库
    10.2.1 知识的获取
    10.2.2 知识的表示
    10.2.3 基于故障树的专家系统知识库的建立
    10.2.4 故障树知识库管理界面
    10.2.5 支持向量机知识库的建立
  10.3 诊断推理功能的设计与实现
    10.3.1 基于故障树分析的诊断推理的实现
    10.3.2 支持向量机诊断推理模块的设计实现
    10.3.3 解释机制
    10.3.4 delphi调用matlab的编程实现技术
  10.4 本章小结
参考文献