| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第1章 绪论 | 第13-32页 |
| 1.1 引言 | 第13-14页 |
| 1.2 水下机器人推进器故障诊断技术研究现状 | 第14-29页 |
| 1.2.1 基于硬件的推进器故障诊断技术研究现状 | 第15-19页 |
| 1.2.2 基于软件的推进器故障诊断技术研究现状 | 第19-25页 |
| 1.2.3 基于软硬件结合的推进器故障诊断技术研究现状 | 第25-29页 |
| 1.3 课题来源与本文主要研究工作 | 第29-32页 |
| 第2章 水下机器人实验平台研制 | 第32-49页 |
| 2.1 引言 | 第32页 |
| 2.2 总体设计指标 | 第32页 |
| 2.3 推进器系统设计 | 第32-33页 |
| 2.4 传感器系统设计 | 第33-36页 |
| 2.4.1 数字罗盘供电电压转换电路设计和安装位置选取 | 第33-35页 |
| 2.4.2 多普勒测速计开关控制电路设计 | 第35-36页 |
| 2.4.3 深度计电流电压转换电路设计 | 第36页 |
| 2.5 能源系统设计 | 第36-40页 |
| 2.5.1 电力舱结构和隔离变压器控制柜设计 | 第36-38页 |
| 2.5.2 电池舱结构和锂电池组过放电保护电路设计 | 第38-40页 |
| 2.6 控制系统设计 | 第40-46页 |
| 2.6.1 中央控制系统 | 第40-41页 |
| 2.6.2 推进器驱动模块 | 第41-44页 |
| 2.6.3 通讯系统 | 第44-45页 |
| 2.6.4 电源转换及继电器电路板 | 第45页 |
| 2.6.5 控制系统集成 | 第45-46页 |
| 2.7 水下机器人系统集成 | 第46-48页 |
| 2.8 本章小结 | 第48-49页 |
| 第3章 AUV推进器故障特征提取与融合 | 第49-72页 |
| 3.1 引言 | 第49-50页 |
| 3.2 基于小波MB算法从速度信号中提取故障特征 | 第50-52页 |
| 3.3 基于微分MB算法从控制信号中提取故障特征 | 第52-56页 |
| 3.3.1 基于MB算法从控制信号中提取故障特征存在的问题及原因分析 | 第53-55页 |
| 3.3.2 本文基于微分MB算法从控制信号中提取故障特征的方法 | 第55-56页 |
| 3.4 融合故障特征归一映射 | 第56-60页 |
| 3.4.1 证据理论算法在本文故障特征融合中存在的问题及原因分析 | 第56-58页 |
| 3.4.2 本文融合特征归一映射方法 | 第58-60页 |
| 3.5 实验验证 | 第60-70页 |
| 3.5.1 实验环境与推进器故障模拟方法 | 第60-61页 |
| 3.5.2 基于小波MB算法从速度信号中提取故障特征方法的验证 | 第61-64页 |
| 3.5.3 基于微分MB算法从控制信号中提取故障特征方法的验证 | 第64-67页 |
| 3.5.4 融合特征归一映射方法的验证 | 第67-70页 |
| 3.6 本章小结 | 第70-72页 |
| 第4章 AUV推进器故障特征与外部干扰特征分离 | 第72-98页 |
| 4.1 引言 | 第72-73页 |
| 4.2 基于小波分解与EMD结合方法的通道扩展 | 第73-79页 |
| 4.2.1 EEMD方法在本文通道扩展中存在的问题及原因分析 | 第73-77页 |
| 4.2.2 本文小波分解与EMD结合方法 | 第77-79页 |
| 4.3 基于小波细节分量辅助的故障特征提取 | 第79-84页 |
| 4.3.1 基于MB算法在从独立分量中提取故障特征存在的问题及原因分析 | 第79-81页 |
| 4.3.2 本文小波细节分量辅助特征提取方法 | 第81-83页 |
| 4.3.3 本文AUV推进器故障特征单通道盲源分离方法 | 第83-84页 |
| 4.4 实验验证 | 第84-96页 |
| 4.4.1 实验环境 | 第84-86页 |
| 4.4.2 小波分解与EMD结合方法的验证 | 第86-90页 |
| 4.4.3 小波细节分量辅助特征提取方法的验证 | 第90-93页 |
| 4.4.4 AUV推进器故障特征单通道盲源分离方法的验证 | 第93-96页 |
| 4.5 本章小结 | 第96-98页 |
| 第5章 AUV推进器故障程度辨识 | 第98-117页 |
| 5.1 引言 | 第98-99页 |
| 5.2 基于波峰区域能量方法提取故障特征 | 第99-106页 |
| 5.2.1 融合特征模极大值方法在本文故障辨识中存在的问题及原因分析 | 第99-101页 |
| 5.2.2 本文波峰区域能量方法 | 第101-106页 |
| 5.3 基于最小二乘灰色关联度方法辨识故障程度 | 第106-110页 |
| 5.3.1 灰色关联分析方法在本文中存在的问题及原因分析 | 第106-107页 |
| 5.3.2 本文最小二乘灰色关联度方法 | 第107-110页 |
| 5.4 实验验证 | 第110-116页 |
| 5.4.1 波峰区域能量方法的验证 | 第111-114页 |
| 5.4.2 最小二乘灰色关联度方法的验证 | 第114-116页 |
| 5.5 本章小结 | 第116-117页 |
| 第6章 AUV推进器故障程度时序列预测补偿 | 第117-138页 |
| 6.1 引言 | 第117-118页 |
| 6.2 基于同态隶属函数方法的故障辨识模型建模 | 第118-123页 |
| 6.2.1 FSVDD方法在本文故障辨识模型建模中存在的问题及原因分析 | 第118-120页 |
| 6.2.2 本文同态隶属函数方法 | 第120-123页 |
| 6.3 基于低频趋势预测方法的故障程度辨识 | 第123-129页 |
| 6.3.1 FSVDD方法在本文故障程度辨识中存在的问题及原因分析 | 第123-125页 |
| 6.3.2 本文低频趋势预测方法 | 第125-129页 |
| 6.4 实验验证 | 第129-137页 |
| 6.4.1 同态隶属函数方法的验证 | 第129-132页 |
| 6.4.2 低频趋势预测方法的验证 | 第132-137页 |
| 6.5 本章小结 | 第137-138页 |
| 结论 | 第138-140页 |
| 参考文献 | 第140-149页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第149-151页 |
| 致谢 | 第151页 |
