基于EEMD和SVM联合诊断的发动机故障分析
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 引言 | 第7页 |
| 1.2 课题研究意义 | 第7-9页 |
| 1.3 本课题研究现状 | 第9-12页 |
| 1.3.1 国外研究现状 | 第10-11页 |
| 1.3.2 国内研究现状 | 第11-12页 |
| 1.4 课题主要研究内容 | 第12页 |
| 1.5 本章小结 | 第12-13页 |
| 第二章 发动机振动信号处理基础 | 第13-18页 |
| 2.1 汽车发动机故障特征 | 第13页 |
| 2.2 发动机振动信号的产生 | 第13-17页 |
| 2.2.1 气缸压力激励 | 第14页 |
| 2.2.2 曲柄连杆机构惯性力激励 | 第14-16页 |
| 2.2.3 气门开启落座激励 | 第16-17页 |
| 2.2.4 其他激励 | 第17页 |
| 2.3 本章小结 | 第17-18页 |
| 第三章 发动机故障特征向量提取 | 第18-30页 |
| 3.1 时域分析提取特征向量 | 第18-19页 |
| 3.2 频域分析提取特征向量 | 第19-24页 |
| 3.2.1 傅里叶变换 | 第19-21页 |
| 3.2.2 小波变换与小波包分解 | 第21-24页 |
| 3.3 经验模态分解 | 第24-29页 |
| 3.3.1 经验模态分解（EMD） | 第25-26页 |
| 3.3.2 总体平均经验模态分解（EEMD） | 第26页 |
| 3.3.3 EEMD算法的相关系数法 | 第26-28页 |
| 3.3.4 EEMD算法的相关系数法仿真实例 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 发动机故障分类识别方法 | 第30-41页 |
| 4.1 人工神经网络 | 第30-35页 |
| 4.1.1 BP神经网络 | 第30-33页 |
| 4.1.2 RBF神经网络 | 第33-35页 |
| 4.2 支持向量机 | 第35-40页 |
| 4.2.1 支持向量机概述 | 第35-36页 |
| 4.2.2 支持向量机基本理论 | 第36-39页 |
| 4.2.3 支持向量机寻优算法 | 第39-40页 |
| 4.3 本章小结 | 第40-41页 |
| 第五章 信号采集测试系统的建立 | 第41-49页 |
| 5.1 发动机试验台架的搭建 | 第42-46页 |
| 5.2 实验方案设计 | 第46-48页 |
| 5.2.1 实验工况及采样频率的确定 | 第46页 |
| 5.2.2 试验步骤 | 第46-48页 |
| 5.3 本章小结 | 第48-49页 |
| 第六章 发动机气门间隙故障诊断分析比较 | 第49-73页 |
| 6.1 信号的时域分析 | 第49-52页 |
| 6.2 特征向量提取 | 第52-57页 |
| 6.2.1 一缸信号提取故障特征向量 | 第52-54页 |
| 6.2.2 一、四缸信号联合提取故障特征向量 | 第54-57页 |
| 6.3 故障分类识别 | 第57-71页 |
| 6.3.1 基于一缸信号的故障识别 | 第57-64页 |
| 6.3.2 基于一、四缸信号的故障识别 | 第64-71页 |
| 6.4 本章小结 | 第71-73页 |
| 第七章 总结与展望 | 第73-75页 |
| 7.1 总结 | 第73-74页 |
| 7.2 后续工作展望 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 致谢 | 第80-81页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第81页 |
