| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题研究目的 | 第9-10页 |
| 1.2 故障诊断技术的研究现状 | 第10-12页 |
| 1.2.1 柴油机故障诊断的研究现状 | 第10-11页 |
| 1.2.2 柴油机故障诊断的发展趋势 | 第11-12页 |
| 1.3 支持向量机的发展与应用现状 | 第12-14页 |
| 1.3.1 支持向量机的发展历程 | 第12-13页 |
| 1.3.2 支持向量机在故障诊断中的应用现状 | 第13-14页 |
| 1.4 本文主要工作内容 | 第14-17页 |
| 第2章 统计学习理论与支持向量机的基本理论 | 第17-28页 |
| 2.1 统计学习理论概述 | 第17-20页 |
| 2.1.1 机器学习的基本理论 | 第17-18页 |
| 2.1.2 VC维理论和结构风险最小化原则 | 第18-20页 |
| 2.2 支持向量机理论 | 第20-27页 |
| 2.2.1 线性分类器 | 第21-22页 |
| 2.2.2 非线性分类器 | 第22-24页 |
| 2.2.3 支持向量机的核函数 | 第24-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 建立基于PSO-SVM的润滑系统故障诊断模型 | 第28-43页 |
| 3.1 引言 | 第28-29页 |
| 3.2 训练数据预处理 | 第29-34页 |
| 3.2.1 数据投影 | 第29-33页 |
| 3.2.2 固定文本格式 | 第33-34页 |
| 3.3 支持向量机关键参数的优化 | 第34-36页 |
| 3.3.1 粒子群优化算法 | 第35-36页 |
| 3.4 利用SVM算法建立故障诊断模型 | 第36-42页 |
| 3.4.1 应用SVM算法建模 | 第37-38页 |
| 3.4.2 关键参数优化结果 | 第38-39页 |
| 3.4.3 SVM建模结果分析 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 建立柴油机润滑系统仿真模型 | 第43-64页 |
| 4.1 引言 | 第43页 |
| 4.2 柴油机润滑系统结构及工作原理 | 第43-45页 |
| 4.3 AMESim仿真软件简介 | 第45-46页 |
| 4.4 建立润滑系统仿真模型 | 第46-55页 |
| 4.4.1 搭建润滑系统仿真模型 | 第46-48页 |
| 4.4.2 润滑系统仿真模型参数设置 | 第48-52页 |
| 4.4.3 仿真模型的校核 | 第52-55页 |
| 4.5 设置典型故障并获取数据 | 第55-63页 |
| 4.5.1 机油泵故障 | 第55-58页 |
| 4.5.2 限压阀故障 | 第58-60页 |
| 4.5.3 机油滤清器故障 | 第60-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第5章 润滑系统的故障诊断算法研究 | 第64-79页 |
| 5.1 引言 | 第64页 |
| 5.2 润滑系统一般性故障诊断 | 第64-72页 |
| 5.2.1 润滑系统故障诊断算法研究 | 第64-69页 |
| 5.2.2 故障诊断结果的可信度 | 第69-70页 |
| 5.2.3 故障诊断算法的验证 | 第70-72页 |
| 5.3 润滑系统性能退化型故障诊断 | 第72-78页 |
| 5.3.1 性能退化的基本概念 | 第72-73页 |
| 5.3.2 退化型故障的建模分析 | 第73-75页 |
| 5.3.3 性能退化型故障诊断算法研究 | 第75-76页 |
| 5.3.4 性能退化型故障诊断算法的验证 | 第76-78页 |
| 5.4 本章小结 | 第78-79页 |
| 第6章 总结与展望 | 第79-82页 |
| 6.1 全文总结 | 第79-80页 |
| 6.2 创新点 | 第80页 |
| 6.3 展望 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86页 |