| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 常用故障诊断技术研究现状 | 第13-15页 |
| 1.2.2 道岔设备故障诊断研究现状 | 第15-16页 |
| 1.2.3 研究现状分析 | 第16-17页 |
| 1.3 论文主要研究内容和篇幅结构 | 第17-20页 |
| 1.3.1 论文主要研究内容 | 第17-18页 |
| 1.3.2 论文篇幅结构 | 第18-20页 |
| 2 道岔系统FMEA分析 | 第20-38页 |
| 2.1 道岔系统基本组成及动作过程 | 第20-24页 |
| 2.1.1 道岔系统组成 | 第21-22页 |
| 2.1.2 道岔动作过程 | 第22-24页 |
| 2.2 道岔系统FMEA分析 | 第24-25页 |
| 2.3 道岔常见故障功率曲线分析 | 第25-35页 |
| 2.3.1 S700K型转辙机的监测及采集 | 第25-27页 |
| 2.3.2 正常动作功率曲线分析 | 第27-28页 |
| 2.3.3 常见故障模式功率曲线分析 | 第28-34页 |
| 2.3.4 典型故障功率样本集 | 第34-35页 |
| 2.4 本章小结 | 第35-38页 |
| 3 功率信号数据特征处理 | 第38-52页 |
| 3.1 功率数据特征提取 | 第39-43页 |
| 3.2 基于Fisher准则函数的道岔功率信号特征选择 | 第43-47页 |
| 3.3 基于LLE的道岔功率信号特征降维 | 第47-49页 |
| 3.4 本章小结 | 第49-52页 |
| 4 基于Kohonen神经网络的道岔退化状态挖掘 | 第52-78页 |
| 4.1 Kohonen神经网络介绍 | 第52-55页 |
| 4.2 道岔退化状态挖掘设计 | 第55-57页 |
| 4.3 基于Kohonen网络的道岔退化状态挖掘 | 第57-76页 |
| 4.3.1 退化状态评估指标 | 第58-61页 |
| 4.3.2 退化状态挖掘 | 第61-68页 |
| 4.3.3 结果分析 | 第68-76页 |
| 4.4 本章小结 | 第76-78页 |
| 5 基于隐马尔科夫模型的道岔设备状态识别 | 第78-92页 |
| 5.1 隐马尔科夫模型介绍 | 第78-82页 |
| 5.1.1 Baum-Welch算法 | 第80-81页 |
| 5.1.2 前向算法 | 第81-82页 |
| 5.2 基于HMM状态识别方案设计 | 第82-86页 |
| 5.2.1 HMM模型建立 | 第82-84页 |
| 5.2.2 基于HMM状态识别流程及步骤 | 第84-86页 |
| 5.3 方案实现 | 第86-90页 |
| 5.3.1 结果验证 | 第86-89页 |
| 5.3.2 结果分析 | 第89-90页 |
| 5.4 本章小结 | 第90-92页 |
| 6 结论与展望 | 第92-96页 |
| 6.1 结论 | 第92-94页 |
| 6.2 展望 | 第94-96页 |
| 参考文献 | 第96-100页 |
| 附录 A | 第100-104页 |
| 图索引 | 第104-106页 |
| 表索引 | 第106-108页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第108-112页 |
| 学位论文数据集 | 第112页 |