高速列车转向架故障的信息熵测度特征分析方法研究
摘要 | 第6-8页 |
Abstract | 第8-9页 |
第1章 绪论 | 第13-27页 |
1.1 课题的提出 | 第13-15页 |
1.2 国内外研究现状分析 | 第15-24页 |
1.2.1 高速列车安全状态监测现状 | 第15-18页 |
1.2.2 数据驱动的故障诊断方法 | 第18-24页 |
1.3 研究目标与对象 | 第24页 |
1.4 主要研究内容与章节安排 | 第24-27页 |
第2章 转向架故障分析与信息测度理论框架 | 第27-56页 |
2.1 高速列车转向架故障 | 第27-31页 |
2.1.1 高速列车蛇行运动 | 第27-28页 |
2.1.2 高速列车转向架关键部件 | 第28-31页 |
2.2 数据来源与实验方案 | 第31-37页 |
2.2.1 机车车辆滚动试验台试验 | 第31-35页 |
2.2.2 SIMPACK仿真实验 | 第35-37页 |
2.3 机械故障信号常规特征参数 | 第37-49页 |
2.3.1 时域特征 | 第37-42页 |
2.3.2 频域特征 | 第42-45页 |
2.3.3 时频域特征 | 第45-49页 |
2.4 信息测度理论体系 | 第49-55页 |
2.4.1 信息测度的主要指标研究 | 第49-52页 |
2.4.2 信息测度的应用与扩展 | 第52-55页 |
2.5 小结 | 第55-56页 |
第3章 转向架故障的小波信息熵特征分析 | 第56-70页 |
3.1 小波信息熵理论基础 | 第56-57页 |
3.2 小波信息熵定义 | 第57-60页 |
3.3 转向架故障信号小波信息熵特征提取 | 第60-66页 |
3.4 高速列车转向架故障诊断 | 第66-69页 |
3.5 小结 | 第69-70页 |
第4章 转向架故障的经验模态熵特征分析 | 第70-102页 |
4.1 经验模态分解理论 | 第70-78页 |
4.1.1 经验模态分解 | 第70-73页 |
4.1.2 聚合经验模态分解 | 第73-75页 |
4.1.3 高速列车振动信号的EEMD分解 | 第75-78页 |
4.2 经验模态能量矩特征 | 第78-80页 |
4.3 经验模态信息熵特征提取 | 第80-92页 |
4.3.1 五种经验模态信息熵 | 第80-88页 |
4.3.2 经验模态排列熵 | 第88-92页 |
4.4 经验模态复杂度特征提取 | 第92-100页 |
4.4.1 经验模态近似熵 | 第93-95页 |
4.4.2 经验模态样本熵 | 第95-97页 |
4.4.3 经验模态模糊熵 | 第97-100页 |
4.5 小结 | 第100-102页 |
第5章 转向架性能蜕化的关联信息测度特征分析 | 第102-119页 |
5.1 转向架性能蜕化估计方法 | 第102页 |
5.2 互相关样本熵 | 第102-109页 |
5.2.1 相关性分析 | 第102-104页 |
5.2.2 互相关样本熵特征 | 第104-105页 |
5.2.3 仿真分析 | 第105-109页 |
5.3 相对EEMD能量熵 | 第109-114页 |
5.3.1 EEMD能量分布 | 第110页 |
5.3.2 相对EEMD能量熵 | 第110-111页 |
5.3.3 仿真分析 | 第111-114页 |
5.4 性能蜕化状态估计 | 第114-118页 |
5.5 小结 | 第118-119页 |
第6章 转向架故障的复合特征分析模型 | 第119-132页 |
6.1 复合信息测度模型 | 第119-120页 |
6.1.1 特征集合的形成 | 第119页 |
6.1.2 复合信息测度模型构建 | 第119-120页 |
6.2 多准则特征选择 | 第120-127页 |
6.2.1 特征排序准则 | 第121-123页 |
6.2.2 多准则特征选择模型 | 第123-124页 |
6.2.3 高速列车仿真数据分析 | 第124-127页 |
6.3 流形二次特征降维 | 第127-130页 |
6.3.1 流行学习的典型算法 | 第127-128页 |
6.3.2 仿真实验分析 | 第128-130页 |
6.4 动车组实测信号数据分析 | 第130-131页 |
6.5 小结 | 第131-132页 |
结论 | 第132-135页 |
致谢 | 第135-136页 |
参考文献 | 第136-143页 |
攻读博士期间发表的论文 | 第143-144页 |