| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-16页 |
| ·选题目的与意义 | 第8-9页 |
| ·常用内燃机故障诊断方法及国内外现状 | 第9-13页 |
| ·性能参数诊断法 | 第9-10页 |
| ·油液分析法 | 第10-11页 |
| ·振动诊断法 | 第11-13页 |
| ·振动信号分析方法现状 | 第13-15页 |
| ·时域分析 | 第13-14页 |
| ·频域分析 | 第14页 |
| ·时频分析 | 第14页 |
| ·时间序列分析 | 第14-15页 |
| ·本文研究的主要思路与内容 | 第15-16页 |
| 第二章 柴油机振动信号采集及分析 | 第16-40页 |
| ·柴油机振动信号采集 | 第16-18页 |
| ·振动信号的时域分析 | 第18-25页 |
| ·频域分析 | 第25-27页 |
| ·时频分析技术 | 第27-39页 |
| ·基于短时傅里叶变换的振动信号时频分析 | 第28-32页 |
| ·基于小波变换的振动信号时频分析 | 第32-35页 |
| ·基于双线性时频分布的振动时频分析 | 第35-39页 |
| ·本章小结 | 第39-40页 |
| 第三章 EEMD、奇异值分解及支持向量机融合故障诊断技术 | 第40-54页 |
| ·EEMD 的基本原理 | 第40-42页 |
| ·EEMD 的基本原理的基础概念 | 第40-41页 |
| ·EEMD 基本原理与方法 | 第41页 |
| ·EEMD 与 EMD 的优劣分析 | 第41-42页 |
| ·支持向量机（Support Vector Machine，SVM） | 第42-52页 |
| ·支持向量机原理和算法 | 第42-45页 |
| ·核函数 | 第45-46页 |
| ·基于支持向量机故障诊断的基本步骤 | 第46-47页 |
| ·基于支持向量机的内燃机故障模式识别 | 第47-52页 |
| ·本章小结 | 第52-54页 |
| 第四章 基于融合技术的柴油机典型故障诊断 | 第54-71页 |
| ·基于 EEMD 奇异值分解和 SVM 的内燃机典型故障诊断实验研究 | 第54-62页 |
| ·内燃机故障模式识别的基本步骤 | 第54-55页 |
| ·缸盖振动信号的集合经验模式分解 | 第55-59页 |
| ·归一化特征向量 | 第59页 |
| ·支持向量机故障模式识别 | 第59-62页 |
| ·诊断结果 | 第62页 |
| ·基于小波包分解和神经网络的内燃机典型故障诊断实验研究 | 第62-69页 |
| ·缸盖振动信号的小波包分解 | 第62-66页 |
| ·归一化特征向量 | 第66-67页 |
| ·神经网络诊断系统的设计与实现 | 第67-68页 |
| ·BP 神经网络的验证 | 第68-69页 |
| ·本章小结 | 第69-71页 |
| 第五章 总结与展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 附录A 攻读学位期间发表论文及专利 | 第77-78页 |
| 附录B 参与项目情况 | 第78-79页 |
| 附录C | 第79-102页 |
