| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 论文的研究背景及意义 | 第9页 |
| 1.2 论文的研究现状 | 第9-12页 |
| 1.2.1 故障诊断方法的研究现状 | 第10-11页 |
| 1.2.2 故障诊断对象的研究现状 | 第11-12页 |
| 1.3 论文的研究内容及重点 | 第12-13页 |
| 1.4 论文的基本结构 | 第13-14页 |
| 2 列车监控装置与LKJ运行记录数据文件 | 第14-23页 |
| 2.1 列车运行监控记录装置 | 第14-17页 |
| 2.1.1 监控装置功能 | 第14-15页 |
| 2.1.2 监控装置系统组成 | 第15-16页 |
| 2.1.3 监控装置主机 | 第16-17页 |
| 2.2 LKJ运行记录数据文件 | 第17-22页 |
| 2.2.1 LKJ运行记录格式处理与分析软件 | 第17-20页 |
| 2.2.2 LKJ运行记录数据文件 | 第20-22页 |
| 2.3 研究对象的确定 | 第22-23页 |
| 3 基于机车速度传感器故障的LKJ运行记录数据分析 | 第23-31页 |
| 3.1 机车轴端速度传感器 | 第23-24页 |
| 3.1.1 主要功能 | 第23页 |
| 3.1.2 工作原理 | 第23-24页 |
| 3.2 LKJ速度通道构成 | 第24页 |
| 3.3 LKJ速度传感器故障类型 | 第24-26页 |
| 3.3.1 速度传感器断轴 | 第25-26页 |
| 3.3.2 速度通道虚接 | 第26页 |
| 3.3.3 速度通道公共部分故障 | 第26页 |
| 3.3.4 速度传感器丢脉冲 | 第26页 |
| 3.4 基于LKJ数据分析的特征提取 | 第26-31页 |
| 3.4.1 LKJ数据分析 | 第27-29页 |
| 3.4.2 基于LKJ数据分析的故障特征提取 | 第29-31页 |
| 4 聚类与K近邻算法 | 第31-39页 |
| 4.1 故障诊断算法概述 | 第31页 |
| 4.2 K近邻算法 | 第31-34页 |
| 4.2.1 KNN算法的实现 | 第31-33页 |
| 4.2.2 KNN算法分析 | 第33-34页 |
| 4.3 聚类技术 | 第34-39页 |
| 4.3.1 聚类分析概述 | 第34-35页 |
| 4.3.2 聚类分析方法 | 第35-36页 |
| 4.3.3 K-MEANS聚类算法 | 第36-39页 |
| 5 基于聚类-K近邻分类器的机车速度传感器故障诊断 | 第39-51页 |
| 5.1 故障诊断流程 | 第39-40页 |
| 5.2 聚类-KNN分类器 | 第40-42页 |
| 5.2.1 聚类-KNN算法过程 | 第40-42页 |
| 5.2.2 聚类中心的求解 | 第42页 |
| 5.3 基于聚类-KNN分类器的机车速度传感器故障诊断 | 第42-51页 |
| 5.3.1 聚类中心实验结果 | 第44页 |
| 5.3.2 K近邻分类器K值的确定 | 第44-48页 |
| 5.3.3 基于聚类-KNN分类器的机车速度传感器故障诊断效果 | 第48-49页 |
| 5.3.4 维修建议 | 第49-51页 |
| 结论 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 附录A 部分LKJ运行记录数据表 | 第57-65页 |
| 攻读学位期间的研究成果 | 第65页 |
