基于独立分量分析的柴油机振动信号特征提取研究
摘要 | 第1-5页 |
Abstract | 第5-10页 |
第1章 绪论 | 第10-17页 |
·研究目的与意义 | 第10-11页 |
·课题来源 | 第11页 |
·振动信号分析处理方法研究现状 | 第11-13页 |
·时域统计分析 | 第11-12页 |
·频域分析 | 第12页 |
·时频分析 | 第12-13页 |
·盲源信号分离 | 第13页 |
·盲源分离在振动信号分析中研究现状 | 第13-15页 |
·本论文的主要研究工作 | 第15-17页 |
第2章 盲源分离的理论研究 | 第17-29页 |
·主分量分析 | 第17-20页 |
·主分量分析定义 | 第17-18页 |
·主分量算法 | 第18-19页 |
·主分量的贡献率 | 第19页 |
·主分量分析的局限性 | 第19-20页 |
·独立分量分析 | 第20-26页 |
·独立分量分析的定义 | 第20-21页 |
·ICA 的混叠模型 | 第21-22页 |
·ICA 的限定条件 | 第22-23页 |
·ICA 的不确定性 | 第23页 |
·ICA 的主要判据 | 第23-26页 |
·ICA 算法 | 第26-29页 |
·中心化 | 第26-27页 |
·白化处理 | 第27页 |
·FastICA 算法原理 | 第27-29页 |
第3章 柴油机主要激励源识别研究 | 第29-48页 |
·信号的获取与处理 | 第29-32页 |
·试验设计 | 第29-31页 |
·柴油机表面振动信号分析 | 第31-32页 |
·盲解卷积理论 | 第32-35页 |
·盲解卷积算法研究 | 第32-35页 |
·非线性函数计算 | 第35页 |
·解卷积算法仿真分析 | 第35-40页 |
·评价指标 | 第35-36页 |
·BLMS 与 DMED 算法对比 | 第36页 |
·DMED 算法分离试验 | 第36-40页 |
·基于盲解卷积算法的柴油机主要激励源识别 | 第40-41页 |
·活塞-缸套敲击信号的分离 | 第40页 |
·燃烧激励的识别 | 第40-41页 |
·基于瞬时 ICA 的柴油机主要激励源识别 | 第41-44页 |
·FastICA 仿真分析研究 | 第41-43页 |
·基于 FastICA 的柴油机振动信号分离 | 第43-44页 |
·试验结果对比 | 第44-47页 |
·本章小结 | 第47-48页 |
第4章 柴油机振动信号的特征提取方法研究 | 第48-66页 |
·柴油机振动试验数据获取与预处理 | 第48-50页 |
·故障模拟试验设计 | 第48-49页 |
·试验数据的预处理 | 第49-50页 |
·柴油机缸盖振动特性分析 | 第50-53页 |
·发火时序分析 | 第50-51页 |
·缸盖振动信号的时域特性 | 第51-52页 |
·缸盖振动信号的频域特性 | 第52-53页 |
·基于小波包分解特征提取 | 第53-58页 |
·小波包变换原理 | 第53-55页 |
·柴油机振动信号的小波特征提取 | 第55-58页 |
·基于 PCA 的振动信号特征提取 | 第58-61页 |
·PCA 特征提取方案 | 第58-59页 |
·特征提取与分析 | 第59-61页 |
·基于 ICA 特征提取 | 第61-64页 |
·ICA 的特征提取方案 | 第62-63页 |
·特征提取与分析 | 第63-64页 |
·本章小结 | 第64-66页 |
第5章 柴油机故障识别试验研究 | 第66-80页 |
·模式识别基本理论 | 第66-71页 |
·基于互信息的特征选择 | 第66-68页 |
·支持向量机原理 | 第68-70页 |
·核函数 | 第70-71页 |
·分类器设计 | 第71-74页 |
·识别器参数优化 | 第71-72页 |
·特征维数确定 | 第72-74页 |
·柴油机故障识别试验 | 第74-79页 |
·基于小波包分解特征的故障识别 | 第74-76页 |
·基于 PCA 特征的故障类型识别 | 第76-77页 |
·基于 ICA 特征的故障类型识别 | 第77-79页 |
·本章小结 | 第79-80页 |
第6章 总结与展望 | 第80-82页 |
·结论 | 第80-81页 |
·展望 | 第81-82页 |
致谢 | 第82-83页 |
参考文献 | 第83-85页 |