| 摘要 | 第1-7页 |
| Abstract | 第7-14页 |
| 第1章 引言 | 第14-26页 |
| ·课题研究的意义 | 第14页 |
| ·发动机状态监测与故障诊断研究概述 | 第14-19页 |
| ·设备状态监测与故障诊断基本概念 | 第15-16页 |
| ·故障特征提取分析方法 | 第16-17页 |
| ·人工智能理论在发动机故障诊断中的应用 | 第17-18页 |
| ·诊断系统开发平台 | 第18-19页 |
| ·国内外研究现状、存在的问题及发展趋势 | 第19-22页 |
| ·发动机诊断技术的研究现状 | 第19-21页 |
| ·汽车发动机故障诊断存在的问题 | 第21页 |
| ·发展趋势 | 第21-22页 |
| ·论文研究内容和创新点 | 第22-26页 |
| ·论文研究内容 | 第22-23页 |
| ·论文创新点 | 第23-26页 |
| 第2章 故障诊断特征提取方法和在线诊断系统构建 | 第26-54页 |
| ·引言 | 第26-28页 |
| ·基于机体振动信号的故障特征提取方法 | 第28-38页 |
| ·时域特征提取 | 第28-30页 |
| ·频域特征选择 | 第30-31页 |
| ·小波分析特征提取 | 第31-38页 |
| ·基于发动机运行状态参数的故障提取方法研究 | 第38-44页 |
| ·电控发动机工作原理 | 第39-41页 |
| ·电控发动机常见故障及排除方法 | 第41-43页 |
| ·自动变速器组成及工作原理 | 第43-44页 |
| ·基于CAN总线的在线故障诊断系统设计 | 第44-51页 |
| ·CAN总线概述 | 第44-45页 |
| ·CAN总线的主要特点 | 第45页 |
| ·系统结构及实现原理 | 第45-48页 |
| ·CAN总线结构在汽车综合故障诊断中应用的意义 | 第48页 |
| ·基于SAE J1939协议的发动机控制器CAN总线功能分析 | 第48-50页 |
| ·通过CAN网络进行诊断数据共享 | 第50-51页 |
| ·本章小结 | 第51-54页 |
| 第3章 神经网络技术在车辆故障诊断中的应用研究 | 第54-82页 |
| ·引言 | 第54-55页 |
| ·PCA(主成分分析)及其在发动机运行状态参数诊断向量建立过程中的应用 | 第55-60页 |
| ·PCA原理 | 第55-57页 |
| ·PCA的贡献率 | 第57页 |
| ·发动机性能状态故障诊断模型描述 | 第57-58页 |
| ·应用PCA方法减少故障诊断输入向量维数 | 第58-60页 |
| ·基于神经网络的发动机故障诊断研究 | 第60-61页 |
| ·基于神经网络诊断的发动机故障诊断模型的数学描述 | 第60-61页 |
| ·神经网络模型的输入量和输出量的定义 | 第61页 |
| ·BP网络学习算法及其故障诊断模型 | 第61-67页 |
| ·BP神经网络故障诊断算法步骤 | 第61-62页 |
| ·以特征频带能量值为输入值的BP模型 | 第62-64页 |
| ·以区间小波包分解方法提取特征向量的BP模型 | 第64-66页 |
| ·以发动机运行状态参数值为特征向量的PCA-BP模型 | 第66-67页 |
| ·BP算法的改进对发动机故障诊断收敛特性的影响研究 | 第67-69页 |
| ·隐层神经元数目对故障诊断收敛特性的影响研究 | 第69-71页 |
| ·基于径向基(RBF)神经网络的发动机故障诊断研究 | 第71-74页 |
| ·径向基函数(RBF)神经网络模型和算法实现 | 第71-72页 |
| ·径向基(RBF)网络的发动机故障诊断模型及结果 | 第72-74页 |
| ·基于概率神经网络(PNN)的发动机故障诊断研究 | 第74-78页 |
| ·概率神经网络(PNN)模型和算法实现 | 第75-76页 |
| ·概率神经网络(PNN)的发动机故障诊断模型及结果 | 第76-78页 |
| ·不同类型神经网络对发动机故障诊断结果的比较 | 第78-79页 |
| ·本章小结 | 第79-82页 |
| 第4章 基于自适应神经模糊推理系统的发动机故障诊断研究 | 第82-92页 |
| ·引言 | 第82-83页 |
| ·基于自适应神经模糊推理系统的发动机故障诊断模型 | 第83-86页 |
| ·自适应神经模糊推理系统原理 | 第83-85页 |
| ·参数优化 | 第85-86页 |
| ·减法聚类 | 第86页 |
| ·故障诊断结果 | 第86-90页 |
| ·仿真试验 | 第86-89页 |
| ·抗噪能力试验研究 | 第89-90页 |
| ·推理诊断模型选取 | 第90-91页 |
| ·本章小结 | 第91-92页 |
| 第5章 基于信息融合的发动机故障诊断研究 | 第92-108页 |
| ·引言 | 第92-93页 |
| ·信息融合的基本原理和层次结构 | 第93-94页 |
| ·信息融合的基本原理 | 第93页 |
| ·信息融合的层次结构 | 第93-94页 |
| ·发动机监测与诊断的信息参数 | 第94-97页 |
| ·发动机的监测信息 | 第94-95页 |
| ·发动机信息融合的系统结构和功能模型 | 第95-96页 |
| ·特征级融合简述 | 第96-97页 |
| ·基于D-S证据理论的决策级融合故障诊断方法研究 | 第97-99页 |
| ·D-S证据理论 | 第97-98页 |
| ·基于D-S证据理论的发动机信息融合算例分析 | 第98-99页 |
| ·基于D-S证据理论的发动机故障诊断结果分析 | 第99-100页 |
| ·D-S组合规则存在的问题及改进措施 | 第100-105页 |
| ·Dempster组合规则失效的情况 | 第100-101页 |
| ·D-S理论失效的处理方法 | 第101-103页 |
| ·基于改进融合方法的实例验证 | 第103-104页 |
| ·基于改进融合方法的信息融合方案 | 第104-105页 |
| ·本章小结 | 第105-108页 |
| 第6章 发动机状态监测与故障诊断系统开发及相关实验研究 | 第108-146页 |
| ·引言 | 第108-109页 |
| ·虚拟仪器及DasyLab | 第109-112页 |
| ·虚拟仪器概念 | 第109-110页 |
| ·虚拟仪器基本功能及工作原理 | 第110页 |
| ·虚拟仪器系统的构成 | 第110-111页 |
| ·DasyLab虚拟系统开发平台简介 | 第111-112页 |
| ·发动机故障诊断测试平台总体设计 | 第112-113页 |
| ·发动机无负荷测功子系统设计 | 第113-119页 |
| ·信号测试需求分析 | 第113-114页 |
| ·基于虚拟仪器技术的系统结构 | 第114页 |
| ·测试系统硬件设计 | 第114-117页 |
| ·测试系统软件设计 | 第117-119页 |
| ·发动机无负荷测功实验方案设计 | 第119-120页 |
| ·发动机振动信号功率测试结果分析 | 第120-125页 |
| ·对比分析各通道信号 | 第120-121页 |
| ·利用缸盖振动信号对发动机的测试分析 | 第121-122页 |
| ·发动机振动周期转速的提取 | 第122-123页 |
| ·分批估计数据融合方法 | 第123-124页 |
| ·发动机的功率检测结果分析 | 第124-125页 |
| ·发动机状态监测与故障诊断综合系统设计开发 | 第125-133页 |
| ·综合系统硬件平台设计 | 第125-126页 |
| ·综合系统软件结构设计与工作流程 | 第126-128页 |
| ·软件功能模块介绍 | 第128-133页 |
| ·基于发动机振动信号的故障诊断实验研究 | 第133-138页 |
| ·实验测试 | 第133-135页 |
| ·信号采集与特征提取 | 第135-136页 |
| ·基于信息融合的故障诊断 | 第136-138页 |
| ·基于CAN总线、发动机运行状态参数的故障诊断实验研究 | 第138-144页 |
| ·实验测试 | 第138-140页 |
| ·数据采集与特征提取 | 第140-141页 |
| ·基于信息融合的故障诊断 | 第141-143页 |
| ·故障原因分析及对策 | 第143-144页 |
| ·本章小结 | 第144-146页 |
| 第7章 结论与展望 | 第146-148页 |
| ·研究结论 | 第146-147页 |
| ·进一步研究展望 | 第147-148页 |
| 参考文献 | 第148-156页 |
| 作者攻读博士学位期间所发表的学术论文 | 第156-157页 |
| 致谢 | 第157-158页 |
| 作者简介 | 第158页 |
