| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 故障特征提取技术 | 第11-12页 |
| 1.2.2 瞬时转速诊断技术研究现状 | 第12页 |
| 1.2.3 故障模式识别技术研究现状 | 第12-13页 |
| 1.2.4 深度学习理论研究现状 | 第13-14页 |
| 1.3 课题组前期工作介绍 | 第14-17页 |
| 1.4 现阶段研究存在的问题 | 第17-18页 |
| 1.5 论文的主要研究内容 | 第18-20页 |
| 第2章 发动机零维模型的建立与瞬时转速获取方法研究 | 第20-39页 |
| 2.1 Z6170ZLC柴油机仿真模型 | 第21-27页 |
| 2.2 瞬时转速的提取办法与仿真 | 第27-32页 |
| 2.2.1 瞬时转速的测量方法 | 第28-29页 |
| 2.2.2 瞬时转速信号的提取 | 第29-30页 |
| 2.2.3 瞬时转速于simulink下的仿真提取 | 第30-32页 |
| 2.3 谐次相位法与零维模型 | 第32-37页 |
| 2.3.1 谐次相位法原理 | 第32-34页 |
| 2.3.2 谐次分析于Z6170ZLC零维仿真模型上的应用 | 第34-37页 |
| 2.4 本章小结 | 第37-39页 |
| 第3章 功率不均匀监测模块诊断原理研究 | 第39-49页 |
| 3.1 发动机功率不均匀诊断方法 | 第39-46页 |
| 3.1.1 初始相位角 | 第40-41页 |
| 3.1.2 单缸和双缸功率不均匀故障判断 | 第41-43页 |
| 3.1.3 相邻缸和相隔缸功率不均匀故障判断 | 第43-45页 |
| 3.1.4 故障缸故障程度即功率不均匀度大小的判断 | 第45-46页 |
| 3.2 仿真验证 | 第46-47页 |
| 3.3 本章小结 | 第47-49页 |
| 第4章 基于神经网络的诊断方法 | 第49-73页 |
| 4.1 BP神经网络和RBF神经网络 | 第49-54页 |
| 4.1.1 BP神经网络 | 第49-52页 |
| 4.1.2 RBF神经网络 | 第52-54页 |
| 4.2 基于神经网络的发动机功率不均匀识别 | 第54-56页 |
| 4.2.1 故障特征提取与处理 | 第54-56页 |
| 4.3 单缸功率不均匀故障诊断 | 第56-62页 |
| 4.3.1 动量梯度下降法 | 第56页 |
| 4.3.2 自适应LR动量梯度下降法 | 第56-57页 |
| 4.3.3 Levenberg-Marquardt（LM）算法 | 第57-60页 |
| 4.3.4 RBF网络对单缸故障的识别 | 第60-62页 |
| 4.4 多缸功率不均匀故障诊断 | 第62-66页 |
| 4.4.1 LM算法 | 第63-64页 |
| 4.4.2 RBF网络 | 第64-66页 |
| 4.5 遗传算法优化BP神经网络 | 第66-71页 |
| 4.5.1 遗传算法 | 第66-68页 |
| 4.5.2 基于遗传算法优化后的BP网络对发动机功率不均匀识别 | 第68-71页 |
| 4.6 本章小节 | 第71-73页 |
| 第5章 基于深度学习网络的诊断方法 | 第73-103页 |
| 5.1 深度学习 | 第73-79页 |
| 5.1.1 深度学习基本理论 | 第73-74页 |
| 5.1.2 卷积神经网络 | 第74-78页 |
| 5.1.3 卷积神经网络的训练算法 | 第78-79页 |
| 5.2 基于卷积神经网络的智能诊断方法 | 第79-83页 |
| 5.2.1 LeNet神经网络模型结构与特点 | 第79-81页 |
| 5.2.2 卷积神经网络样本标签制作 | 第81-83页 |
| 5.3 CNN诊断实例 | 第83-91页 |
| 5.3.1 单缸故障诊断 | 第85-89页 |
| 5.3.2 多缸故障诊断 | 第89-91页 |
| 5.3.3 单缸故障和多缸故障的识别 | 第91页 |
| 5.4 深度学习和神经网络方法对比 | 第91-93页 |
| 5.5 GPU加速卷积神经网络 | 第93-101页 |
| 5.5.1 GPU | 第93-94页 |
| 5.5.2 深度学习配置环境 | 第94-97页 |
| 5.5.3 基于Caffe的LeNet网络实现 | 第97-101页 |
| 5.6 本章小结 | 第101-103页 |
| 第6章：总结与展望 | 第103-106页 |
| 6.1 总结 | 第103-104页 |
| 6.2 本文的创新点 | 第104页 |
| 6.3 展望 | 第104-106页 |
| 致谢 | 第106-107页 |
| 参考文献 | 第107-109页 |
