| 摘要 | 第1-6页 |
| Abstract | 第6-13页 |
| 第1章 绪论 | 第13-20页 |
| ·机械设备故障诊断的意义和实用价值 | 第13-14页 |
| ·设备故障诊断的意义 | 第13页 |
| ·柴油机故障诊断的实用价值 | 第13-14页 |
| ·机械故障诊断的主要环节和模式 | 第14-17页 |
| ·诊断信息获取 | 第15-16页 |
| ·特征分析和特征提取 | 第16页 |
| ·状态识别和故障诊断 | 第16-17页 |
| ·柴油机故障诊断的方法简介和发展趋势 | 第17-18页 |
| ·方法简介 | 第17-18页 |
| ·发展趋势 | 第18页 |
| ·论文的主要研究工作 | 第18-20页 |
| 第2章 缸盖振动信号的测取及初步分析 | 第20-26页 |
| ·引言 | 第20页 |
| ·信号测取 | 第20-21页 |
| ·测点和采样频率的选择 | 第20-21页 |
| ·试验方案 | 第21页 |
| ·缸盖振动信号的特性分析 | 第21-25页 |
| ·柴油机缸盖振动信息模型 | 第21-22页 |
| ·缸盖振动信号的时域特性与抽区间采样分析 | 第22-24页 |
| ·缸盖振动信号的频域特性 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 EMD 方法 | 第26-38页 |
| ·引言 | 第26页 |
| ·常用的非平稳信号时频分析方法简介 | 第26-27页 |
| ·短时Fourier 变换(STFT) | 第26-27页 |
| ·Wigner-Ville 分布(WVD) | 第27页 |
| ·小波分析 | 第27页 |
| ·EMD 方法基本原理 | 第27-32页 |
| ·内禀模态函数 | 第28页 |
| ·EMD 方法分解过程 | 第28-30页 |
| ·Hilbert 谱与Hilbert 边际谱 | 第30-31页 |
| ·EMD 方法的特点 | 第31-32页 |
| ·HHT 边际谱用于柴油机故障诊断 | 第32-36页 |
| ·振动信号的EMD 分解 | 第32-34页 |
| ·HHT 边际谱分析 | 第34-36页 |
| ·本章小结 | 第36-38页 |
| 第4章 基于EMD 分解的柴油机故障特征提取 | 第38-54页 |
| ·引言 | 第38页 |
| ·基于EMD 分解与关联维数的特征提取 | 第38-39页 |
| ·关联维数的G_P 算法 | 第39-41页 |
| ·相空间重构 | 第39-40页 |
| ·关联维数计算 | 第40页 |
| ·延迟时间τ的计算 | 第40-41页 |
| ·嵌入维数m 的计算 | 第41页 |
| ·关联维数的计算与分析 | 第41-47页 |
| ·基于EMD 的AR 模型的故障特征提取 | 第47-53页 |
| ·AR 模型建模技术 | 第47-48页 |
| ·EMD 的AR 模型 | 第48-49页 |
| ·AR 模型参数计算 | 第49-53页 |
| ·本章小结 | 第53-54页 |
| 第5章 神经网络和支持向量机用于柴油机故障诊断 | 第54-76页 |
| ·引言 | 第54页 |
| ·神经网络分类器 | 第54-63页 |
| ·BP 网络原理及其学习算法 | 第55-58页 |
| ·改进的BP 算法介绍 | 第58-59页 |
| ·BP 网络在故障诊断中的应用 | 第59-63页 |
| ·SVM 分类器 | 第63-73页 |
| ·统计学习的基本理论 | 第64-67页 |
| ·支持向量机原理 | 第67-70页 |
| ·SVM 的多分类算法 | 第70-71页 |
| ·SVM 在故障诊断中的应用 | 第71-73页 |
| ·神经网络分类器和支持向量机分类器在故障诊断中的应用对比 | 第73-74页 |
| ·本章小结 | 第74-76页 |
| 总结与展望 | 第76-78页 |
| ·全文总结 | 第76-77页 |
| ·研究展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 攻读学位期间发表的学术论文 | 第82-83页 |
| 致谢 | 第83-84页 |
| 详细摘要 | 第84-88页 |