论文目录 | |
摘要 | 第1-7页 |
ABSTRACT | 第7-13页 |
第1章 绪论 | 第13-20页 |
· 课题研究的背景意义 | 第13-14页 |
· 柴油机故障诊断技术的国内外研究现状 | 第14-18页 |
· 柴油机故障诊断技术总体研究概况 | 第14-15页 |
· 故障特征提取方法研究现状 | 第15-17页 |
· 故障识别方法研究现状 | 第17-18页 |
· 本文主要研究内容 | 第18-20页 |
第2章 柴油机缸盖振动信号采集 | 第20-28页 |
· 柴油机缸盖振动激励源及振动信号特性 | 第20-22页 |
· 柴油机缸盖振动的激励源分析 | 第20-22页 |
· 缸盖振动信号特性分析 | 第22页 |
· 柴油机振动信号采集系统 | 第22-27页 |
· 柴油机振动信号采集系统建立 | 第22-26页 |
· 柴油机缸盖振动信号采集 | 第26-27页 |
· 本章小结 | 第27-28页 |
第3章 基于小波分析的柴油机振动信号特征参数提取 | 第28-50页 |
· 小波分析理论 | 第28-32页 |
· 连续小波变换 | 第28-30页 |
· 小波包分解 | 第30-32页 |
· 小波函数基的选择 | 第32页 |
· 基于小波包分解的柴油机振动信号特征参数提取 | 第32-44页 |
· 小波包频带能量分布 | 第33-34页 |
· 仿真信号的小波包频带能量分析 | 第34-35页 |
· 小波包能量分布表征缸盖振动信号特征的可行性 | 第35-44页 |
· 基于小波尺度—能量谱的柴油机振动信号特征提取 | 第44-49页 |
· 连续小波变换与二进离散小波变换之间的对比 | 第44页 |
· 连续小波尺度能量谱 | 第44-45页 |
· 小波尺度能量谱表征缸盖振动信号特征的可行性 | 第45-49页 |
· 本章小结 | 第49-50页 |
第4章 基于 EMD 的柴油机振动信号特征参数提取 | 第50-70页 |
4.1 EMD 基本原理 | 第50-55页 |
· 时频分析的基本概念 | 第50-52页 |
4.1.2 EMD 方法 | 第52-55页 |
4.2 基于 EMD 的信号降噪 | 第55-61页 |
4.2.1 EMD 降噪原理 | 第56-57页 |
4.2.2 改进的基于 EMD 的降噪方法 | 第57-60页 |
· 改进的降噪方法在缸盖振动信号降噪中的应用 | 第60-61页 |
4.3 基于 EMD 的信号频域特征参数 | 第61-63页 |
4.3.1 Hilbert 谱和 Hilbert 边际谱 | 第61-62页 |
· 模式分量的自功率谱 | 第62页 |
4.3.3 模式分量的 AR 模型谱 | 第62-63页 |
4.4 基于 EMD 的谱参数表征缸盖振动信号特征的可行性 | 第63-69页 |
4.4.1 柴油机缸盖振动信号的 EMD 分解 | 第63-67页 |
4.4.2 用 AR 谱表征缸盖振动信号特征的可行性 | 第67页 |
· 用边际谱表征缸盖振动信号特征的可行性 | 第67-68页 |
· 用功率谱表征缸盖振动信号特征的可行性 | 第68-69页 |
· 本章小结 | 第69-70页 |
第5章 基于混沌数值特征的柴油机振动信号分析 | 第70-87页 |
· 时间序列相空间重构 | 第70-72页 |
· 相空间重构算法 | 第70-71页 |
5.1.2 确定时间延迟与嵌入维的 C-C 方法 | 第71-72页 |
· 关联维的计算 | 第72-75页 |
5.2.1 经典 G-P 算法 | 第72-73页 |
5.2.2 G-P 算法的改进 | 第73页 |
· 算法可行性验证 | 第73-75页 |
5.3 最大 Lyapunov 指数计算 | 第75-77页 |
5.3.1 小数据量法求最大 Lyapunov 指数 | 第76页 |
· 算法验证 | 第76-77页 |
· 柴油机燃油系故障振动信号关联维分析 | 第77-80页 |
· 不同喷油压力下的关联维 | 第77-78页 |
· 不同供油提前角下的关联维 | 第78-80页 |
5.5 燃油系故障振动信号最大 Lyapunov 指数分析 | 第80-83页 |
5.5.1 不同喷油压力的 Lyapunov 指数 | 第80-81页 |
5.5.2 不同供油提前角时的 Lyapunov 指数 | 第81-83页 |
· 基于小波包分解的柴油机振动信号关联维分析 | 第83-86页 |
· 不同喷油压力的关联维分析 | 第83-85页 |
· 不同供油提前角的关联维分析 | 第85-86页 |
· 本章小结 | 第86-87页 |
第6章 基于 BP 网络和 SVM 的柴油机故障诊断 | 第87-122页 |
· 特征向量的构建 | 第87-100页 |
· 基于小波分析的特征向量的构建 | 第87-94页 |
6.1.2 基于 EMD 分解的特征向量的构建 | 第94-100页 |
· 故障分类识别方法 | 第100-107页 |
6.2.1 BP 网络 | 第100-101页 |
· 支持向量机 | 第101-107页 |
6.3 基于 BP 网络的柴油机故障诊断分类 | 第107-112页 |
6.3.1 基于小波分析和 BP 网络的诊断 | 第107-110页 |
6.3.2 基于 EMD 和 BP 网络的诊断 | 第110-112页 |
· 基于支持向量机的柴油机故障诊断 | 第112-120页 |
· 基于小波分析和支持向量机的诊断 | 第112-117页 |
6.4.2 基于 EMD 和支持向量机的诊断 | 第117-120页 |
· 本章小结 | 第120-122页 |
第7章 结论与展望 | 第122-124页 |
· 结论 | 第122-123页 |
· 展望 | 第123-124页 |
参考文献 | 第124-132页 |
致谢 | 第132-133页 |
作者简介 | 第133
页 |