基于局部线性嵌入算法的柴油机故障诊断研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-15页 |
| ·课题研究背景与意义 | 第9-10页 |
| ·理论意义与实际应用价值 | 第10页 |
| ·故障诊断技术研究现状 | 第10-12页 |
| ·基于小波包与LLE的故障诊断技术 | 第12-13页 |
| ·局部线性嵌入算法研究现状 | 第12页 |
| ·小波包与LLE算法结合的可行性分析 | 第12-13页 |
| ·本文的主要研究内容 | 第13-15页 |
| 2 局部线性嵌入算法和人工神经网络 | 第15-23页 |
| ·流行学习的分类及主要算法 | 第15-16页 |
| ·流行学习的分类 | 第15页 |
| ·流行学习的主要算法 | 第15-16页 |
| ·LLE 算法理论 | 第16-19页 |
| ·近邻点的选择 | 第16-17页 |
| ·近邻点之间的权重 | 第17-18页 |
| ·低维嵌入空间 | 第18-19页 |
| ·SOM-BP 神经网络与学习算法 | 第19-21页 |
| ·SOM 神经网络 | 第20页 |
| ·BP 神经网络 | 第20-21页 |
| ·多传感器信息融合 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 3 柴油机诊断机理 | 第23-29页 |
| ·柴油机结构与工作原理 | 第23-25页 |
| ·柴油机结构 | 第23-24页 |
| ·柴油机的性能分析 | 第24-25页 |
| ·柴油机故障类型与特征 | 第25-26页 |
| ·故障类型 | 第25页 |
| ·柴油机故障特征 | 第25-26页 |
| ·柴油机振动诊断系统 | 第26-27页 |
| ·振动激振源 | 第26-27页 |
| ·柴油机振动信号特征 | 第27页 |
| ·基于 LLE 算法的故障诊断系统 | 第27-28页 |
| ·故障诊断系统的结构 | 第27-28页 |
| ·故障诊断步骤 | 第28页 |
| ·本章小结 | 第28-29页 |
| 4 柴油机故障诊断实验 | 第29-45页 |
| ·故障信号的检测 | 第29-32页 |
| ·实验系统的原理 | 第29页 |
| ·布置实验测点 | 第29-30页 |
| ·设置实验工况 | 第30-31页 |
| ·采样频率的设置 | 第31页 |
| ·实验步骤 | 第31-32页 |
| ·柴油机振动信号特征值的提取 | 第32-41页 |
| ·振动信号在时域频域的特性 | 第32-36页 |
| ·时域频域的特征值提取 | 第36-38页 |
| ·基于小波包能量谱分析方法提取特征值 | 第38-41页 |
| ·振动测点的对比优化 | 第41-44页 |
| ·本章小结 | 第44-45页 |
| 5 局部线性嵌入算法在故障诊断中的应用 | 第45-67页 |
| ·实验测点的优化 | 第45-56页 |
| ·高维特征矢量生成 | 第45页 |
| ·LLE 算法参数的确定 | 第45-47页 |
| ·基于 LLE 算法进行测点优化 | 第47-55页 |
| ·测点优化结果分析 | 第55-56页 |
| ·特征值优化 | 第56-66页 |
| ·基于局部线性嵌入算法的特征值优化 | 第56-60页 |
| ·改进 LLE 算法 | 第60-66页 |
| ·本章小结 | 第66-67页 |
| 6 人工神经网络故障分类 | 第67-75页 |
| ·SOM-BP 人工神经网络 | 第67页 |
| ·SOM-BP 诊断结果分析 | 第67-70页 |
| ·多测点振动信号的特征层融合 | 第70页 |
| ·融合后诊断结果分析 | 第70-73页 |
| ·本章小结 | 第73-75页 |
| 总结与展望 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 攻读硕士学位期间发表的论文 | 第81-82页 |
| 致谢 | 第82页 |
