| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 概述 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 列车故障诊断技术研究现状 | 第9-10页 |
| 1.2.2 声发射检测技术在铁路系统中的应用 | 第10-11页 |
| 1.2.3 LMD在声发射信号处理中应用 | 第11-12页 |
| 1.2.4 样本熵和能量比在信号处理中的应用 | 第12页 |
| 1.2.5 极限学习机的应用 | 第12-13页 |
| 1.3 实验课题来源及论文主要内容 | 第13-15页 |
| 1.3.1 实验课题来源 | 第13页 |
| 1.3.2 论文的主要研究内容 | 第13-15页 |
| 第二章 LMD-ELM样本熵和能量比列车车轴声发射信号识别方法的理论研究 | 第15-28页 |
| 2.1 基础理论概述 | 第15-21页 |
| 2.1.1 局部均值分解 | 第15-19页 |
| 2.1.2 样本熵 | 第19-21页 |
| 2.1.3 信号能量 | 第21页 |
| 2.2 基于LMD样本熵和能量比的故障特征提取方法 | 第21-23页 |
| 2.2.1 求解LMD样本熵计算过程 | 第21页 |
| 2.2.2 求解LMD能量比计算过程 | 第21-22页 |
| 2.2.3 基于LMD样本熵和能量比的故障特征提取方法研究 | 第22-23页 |
| 2.3 基于极限学习机的故障识别算法的理论研究 | 第23-27页 |
| 2.3.1 单隐含层前馈神经网络概述 | 第24-25页 |
| 2.3.2 极限学习机概述 | 第25-26页 |
| 2.3.3 极限学习机算法 | 第26页 |
| 2.3.4 ELM模型的具体设计步骤 | 第26-27页 |
| 本章小结 | 第27-28页 |
| 第三章 实验 | 第28-37页 |
| 3.1 实验研究分析流程 | 第28-29页 |
| 3.2 实验 | 第29-30页 |
| 3.2.1 实验材料及设备 | 第29-30页 |
| 3.2.2 声发射信号的采集 | 第30页 |
| 3.3 实验数据预处理 | 第30-32页 |
| 3.4 实验样本数据长度的选取 | 第32-36页 |
| 本章小结 | 第36-37页 |
| 第四章 LMD-ELM样本熵和能量比的列车车轴声发射信号识别方法的应用 | 第37-57页 |
| 4.1 基于LMD样本熵和能量比的故障特征提取方法的应用 | 第39-50页 |
| 4.2 基于ELM故障特征分类识别方法的应用 | 第50-55页 |
| 4.3 隐含层神经元个数对识别的影响 | 第55-56页 |
| 本章小结 | 第56-57页 |
| 结论与展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62页 |
