| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究目的及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 故障特征提取研究现状 | 第10-11页 |
| 1.2.2 故障模式识别与融合诊断研究现状 | 第11-13页 |
| 1.2.3 深度学习理论研究现状 | 第13-14页 |
| 1.3 研究内容和技术路线 | 第14-16页 |
| 1.3.1 研究内容 | 第14页 |
| 1.3.2 技术路线 | 第14-16页 |
| 第2章 内燃机缸盖振动诊断技术研究 | 第16-41页 |
| 2.1 缸盖振动特性研究与特征参数提取 | 第16-22页 |
| 2.1.1 时域特性与时域特征参数提取 | 第16-18页 |
| 2.1.2 频域特性与频域特征参数提取 | 第18-20页 |
| 2.1.3 基于小波包分析的特征参数提取 | 第20-22页 |
| 2.2 内燃机故障试验设计 | 第22-23页 |
| 2.2.1 试验平台 | 第22页 |
| 2.2.2 故障试验方案 | 第22-23页 |
| 2.3 基于特征分析的内燃机故障诊断 | 第23-39页 |
| 2.3.1 基于特征分析的失火故障诊断 | 第23-27页 |
| 2.3.2 基于特征分析的气门漏气故障诊断 | 第27-31页 |
| 2.3.3 基于特征分析的气门间隙异常故障诊断 | 第31-34页 |
| 2.3.4 基于特征分析的供油提前角异常故障诊断 | 第34-39页 |
| 2.4 本章小结 | 第39-41页 |
| 第3章 基于EEMD分解与模糊C均值聚类的内燃机故障诊断 | 第41-58页 |
| 3.1 基于EEMD分解与SVD分解的特征参数提取 | 第41-43页 |
| 3.1.1 EMD分解和模式混叠 | 第41-42页 |
| 3.1.2 EEMD分解和SVD分解 | 第42-43页 |
| 3.2 内燃机状态奇异值特征参数提取 | 第43-48页 |
| 3.2.1 失火故障奇异值特征参数提取 | 第43-44页 |
| 3.2.2 气门漏气奇异值特征参数提取 | 第44-46页 |
| 3.2.3 气门间隙异常奇异值特征参数提取 | 第46-47页 |
| 3.2.4 供油提前角异常奇异值特征参数提取 | 第47-48页 |
| 3.3 FCM聚类算法及择近原则 | 第48-49页 |
| 3.3.1 FCM聚类算法 | 第48-49页 |
| 3.3.2 择近原则 | 第49页 |
| 3.4 基于FCM聚类的内燃机故障诊断 | 第49-56页 |
| 3.4.1 迭代求聚类中心与隶属度矩阵 | 第50-54页 |
| 3.4.2 贴近度计算与聚类结果分析 | 第54-56页 |
| 3.5 本章小结 | 第56-58页 |
| 第4章 基于BP神经网络与DS证据理论的内燃机融合诊断 | 第58-93页 |
| 4.1 BP神经网络 | 第58-61页 |
| 4.1.1 BP神经网络模型 | 第58-59页 |
| 4.1.2 BP神经网络学习算法 | 第59-61页 |
| 4.2 标准BP网络及改进算法的训练与测试 | 第61-69页 |
| 4.2.1 标准BP网络训练与测试 | 第62-63页 |
| 4.2.2 改进BP算法的训练与测试 | 第63-69页 |
| 4.3 基于改进BP算法的内燃机故障模式识别 | 第69-76页 |
| 4.3.1 基于神经网络1的故障模式识别 | 第70-72页 |
| 4.3.2 基于神经网络2的故障模式识别 | 第72-74页 |
| 4.3.3 基于神经网络3的故障模式识别 | 第74-76页 |
| 4.4 基于DS证据理论的融合诊断技术 | 第76-77页 |
| 4.4.1 DS证据理论 | 第76-77页 |
| 4.4.2 DS合成规则 | 第77页 |
| 4.5 融合诊断在内燃机故障诊断中的应用 | 第77-92页 |
| 4.5.1 融合诊断策略 | 第77-79页 |
| 4.5.2 失火故障融合诊断试验 | 第79-82页 |
| 4.5.3 气门间隙异常融合诊断试验 | 第82-84页 |
| 4.5.4 气门漏气融合诊断试验 | 第84-87页 |
| 4.5.5 供油提前角减小融合诊断试验 | 第87-89页 |
| 4.5.6 供油提前角增大融合诊断试验 | 第89-92页 |
| 4.6 本章小结 | 第92-93页 |
| 第5章 基于深度学习理论的内燃机诊断方法研究 | 第93-117页 |
| 5.1 受限玻尔兹曼机 | 第93-96页 |
| 5.1.1 基本模型 | 第93-94页 |
| 5.1.2 学习算法 | 第94-95页 |
| 5.1.3 Gibbs采样与对比散度算法 | 第95-96页 |
| 5.2 深度置信网络 | 第96-97页 |
| 5.2.1 结构模型 | 第96页 |
| 5.2.2 学习算法 | 第96-97页 |
| 5.3 基于DBN的内燃机故障诊断 | 第97-115页 |
| 5.3.1 诊断流程及数据样本 | 第97-98页 |
| 5.3.2 DBN参数设置 | 第98-99页 |
| 5.3.3 诊断实例 | 第99-115页 |
| 5.4 本章小结 | 第115-117页 |
| 第6章 总结与展望 | 第117-119页 |
| 6.1 总结 | 第117-118页 |
| 6.2 创新点 | 第118页 |
| 6.3 展望 | 第118-119页 |
| 致谢 | 第119-120页 |
| 参考文献 | 第120-125页 |
| 攻读硕士期间发表的学术论文 | 第125页 |
