| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 课题研究的来源及意义 | 第11页 |
| 1.2 基于监测数据进行列车故障特征分析的研究现状 | 第11-13页 |
| 1.3 EEMD的应用现状 | 第13-14页 |
| 1.4 本文研究工作 | 第14页 |
| 1.5 本文结构安排 | 第14-16页 |
| 第二章 高速列车监测数据分析 | 第16-26页 |
| 2.1 高速列车转向架振动分析 | 第16-20页 |
| 2.1.1 高速列车的振动特性 | 第17-18页 |
| 2.1.2 空簧失气 | 第18-19页 |
| 2.1.3 蛇行运动与蛇行失稳 | 第19-20页 |
| 2.1.4 横向减振器 | 第20页 |
| 2.2 高速列车研究数据 | 第20-25页 |
| 2.2.1 基于相关系数分析 | 第22-23页 |
| 2.2.2 基于时频域的分析 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 集合经验模式分解基本理论 | 第26-34页 |
| 3.1 EMD的基础理论 | 第26-27页 |
| 3.2 EEMD的基础理论 | 第27-29页 |
| 3.2.1 EEMD方法中加入白噪声的准则 | 第28-29页 |
| 3.2.2 EEMD方法中总平均次数 | 第29页 |
| 3.3 信息熵与谱熵 | 第29-30页 |
| 3.4 IMF熵测度的定义 | 第30-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 基于集合经验模式函数的特征提取 | 第34-47页 |
| 4.1 基于IMF熵的特征提取 | 第34-42页 |
| 4.1.1 仿真数据的特征分析 | 第38-41页 |
| 4.1.2 实测数据的特征分析 | 第41-42页 |
| 4.2 高速列车不同工况的识别过程 | 第42-46页 |
| 4.2.1 超球SVM的基本原理 | 第43-44页 |
| 4.2.2 基于IMF熵特征向量的状态识别 | 第44-46页 |
| 4.3 本章小结 | 第46-47页 |
| 第五章 多故障工况与参数渐变工况的仿真分析 | 第47-61页 |
| 5.1 多故障工况IMF熵特征分析 | 第47-49页 |
| 5.1.1 多故障工况IMF熵分类识别 | 第48-49页 |
| 5.2 参数渐变工况IMF熵特征分析 | 第49-52页 |
| 5.2.1 横向减振器阻尼渐变工况模拟 | 第49-50页 |
| 5.2.2 抗蛇行减振器阻尼渐变工况模拟 | 第50-51页 |
| 5.2.3 空气弹簧刚度渐变故障模拟 | 第51-52页 |
| 5.3 参数渐变工况互相关样本熵特征分析 | 第52-60页 |
| 5.3.1 互相关样本熵理论 | 第52-53页 |
| 5.3.2 参数渐变工况的仿真模拟 | 第53-56页 |
| 5.3.3 互相关样本熵抗噪性研究 | 第56-57页 |
| 5.3.4 互相关样本熵特征分析 | 第57-60页 |
| 5.4 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 总结 | 第61-62页 |
| 展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间发表的的学术论文和参与的项目 | 第69页 |