| 摘要 | 第9-11页 |
| Abstract | 第11页 |
| 第一章 绪论 | 第13-26页 |
| 1.1 课题研究的意义 | 第13-14页 |
| 1.2 发动机故障诊断研究概述 | 第14-18页 |
| 1.2.1 故障诊断的基本概念 | 第14-15页 |
| 1.2.2 故障诊断的技术方法 | 第15-17页 |
| 1.2.3 诊断系统的开发平台 | 第17-18页 |
| 1.3 国内外研究现状及发展趋势 | 第18-21页 |
| 1.3.1 国内外研究现状 | 第18-19页 |
| 1.3.2 存在的问题分析 | 第19-20页 |
| 1.3.3 未来的发展趋势 | 第20-21页 |
| 1.4 论文研究内容及其创新点 | 第21-23页 |
| 参考文献 | 第23-26页 |
| 第二章 故障诊断技术方法及原理 | 第26-46页 |
| 2.1 故障诊断技术方法 | 第26-29页 |
| 2.1.1 专家系统故障诊断法 | 第26-27页 |
| 2.1.2 模糊数学故障诊断法 | 第27-28页 |
| 2.1.3 灰色关联度故障诊断法 | 第28页 |
| 2.1.4 范例推理故障诊断方法 | 第28-29页 |
| 2.1.5 信息融合故障诊断法 | 第29页 |
| 2.2 BP网络的原理及算法 | 第29-36页 |
| 2.2.1 BP网络模型 | 第30-31页 |
| 2.2.2 BP网络算法及设计分析 | 第31-33页 |
| 2.2.3 BP网络改进算法 | 第33-36页 |
| 2.3 SOM网络的原理及算法 | 第36-39页 |
| 2.3.1 SOM网络模型 | 第36-37页 |
| 2.3.2 SOM网络算法 | 第37-39页 |
| 2.4 RBF网络的原理及算法 | 第39-42页 |
| 2.4.1 RBF网络模型 | 第39-41页 |
| 2.4.2 RBF网络算法 | 第41-42页 |
| 2.5 本章小结 | 第42-43页 |
| 参考文献 | 第43-46页 |
| 第三章 基于粗糙集理论的故障诊断模型研究 | 第46-65页 |
| 3.1 粗糙集理论的基本概念 | 第46-50页 |
| 3.1.1 知识与不可分辨关系 | 第46-47页 |
| 3.1.2 RS的上、下逼近、边界区和RS隶属函数 | 第47-49页 |
| 3.1.3 属性的依赖性和重要性 | 第49-50页 |
| 3.2 数据离散化方法 | 第50-51页 |
| 3.3 粗糙集数据约简方法 | 第51-57页 |
| 3.3.1 常规的约简方法 | 第52-53页 |
| 3.3.2 可辨识矩阵约简方法 | 第53-56页 |
| 3.3.3 值约简方法 | 第56-57页 |
| 3.4 基于RS理论和神经网络的失火故障诊断模型研究 | 第57-62页 |
| 3.4.1 基于RS理论和神经网络的发动机故障诊断模型 | 第58-59页 |
| 3.4.2 粗糙集模型应用实例 | 第59-62页 |
| 3.4.3 模型应用结论分析 | 第62页 |
| 3.5 本章小结 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 第四章 基于集成神经网络技术的故障诊断模型研究 | 第65-86页 |
| 4.1 集成神经网络理论 | 第65-73页 |
| 4.1.1 网络结构 | 第66页 |
| 4.1.2 网络组建方法 | 第66-70页 |
| 4.1.3 决策融合方法 | 第70-73页 |
| 4.2 集成神经网络的分类 | 第73-75页 |
| 4.2.1 基于诊断任务分解的并行神经网络 | 第73-74页 |
| 4.2.2 基于征兆信号分类的神经网络 | 第74页 |
| 4.2.3 基于粗糙集约简分类的神经网络 | 第74-75页 |
| 4.3 基于聚类分析和集成神经网络的柴油机性能预测模型研究 | 第75-78页 |
| 4.3.1 聚类分析及网络设计 | 第76页 |
| 4.3.2 模糊模式识别 | 第76页 |
| 4.4.3 应用实例分析 | 第76-78页 |
| 4.4 基于主成分分析和集成神经网络的故障诊断模型研究 | 第78-82页 |
| 4.4.1 故障诊断模型结构 | 第78-79页 |
| 4.4.2 模型设计过程分析 | 第79-80页 |
| 4.4.3 应用实例分析 | 第80-82页 |
| 4.5 本章小结 | 第82-83页 |
| 参考文献 | 第83-86页 |
| 第五章 故障征兆信号处理方法的研究 | 第86-98页 |
| 5.1 特征信号采集 | 第86页 |
| 5.2 时域分析法 | 第86-88页 |
| 5.2.1 统计特征参量分析 | 第87页 |
| 5.2.2 相关分析 | 第87-88页 |
| 5.2.3 应用实例分析 | 第88页 |
| 5.3 频域分析方法 | 第88-90页 |
| 5.3.1 幅度谱分析 | 第89页 |
| 5.3.2 功率谱分析 | 第89-90页 |
| 5.3.3 谱分析仪设计及应用 | 第90页 |
| 5.4 信号分析的其它方法 | 第90-92页 |
| 5.4.1 时序分析法 | 第91-92页 |
| 5.4.2 小波分析法 | 第92页 |
| 5.5 分批估计数据融合方法 | 第92-96页 |
| 5.5.1 一致性检验 | 第92-93页 |
| 5.5.2 数据融合算法 | 第93-95页 |
| 5.5.3 运算结果对比 | 第95-96页 |
| 5.6 本章小结 | 第96页 |
| 参考文献 | 第96-98页 |
| 第六章 基于虚拟仪器技术的智能故障诊断系统开发 | 第98-120页 |
| 6.1 虚拟仪器及LabVIEW | 第98-102页 |
| 6.1.1 虚拟仪器概念 | 第98-99页 |
| 6.1.2 虚拟仪器结构 | 第99-100页 |
| 6.1.3 LabVIEW语言 | 第100-102页 |
| 6.2 智能化诊断测试系统总体设计 | 第102-110页 |
| 6.2.1 诊断测试参数分析 | 第102-105页 |
| 6.2.2 虚拟仪器硬件通用化平台设计 | 第105-107页 |
| 6.2.2.1 传感器及仪器 | 第106页 |
| 6.2.2.2 信号调理电路 | 第106-107页 |
| 6.2.3 虚拟仪器软件通用化平台设计 | 第107-110页 |
| 6.2.3.1 功能模块分析 | 第107-109页 |
| 6.2.3.2 主控程序设计 | 第109-110页 |
| 6.3 废气排放故障诊断测试子系统 | 第110-116页 |
| 6.3.1 信号采集设计 | 第110-111页 |
| 6.3.2 数据库管理设计 | 第111-114页 |
| 6.3.3 神经网络程序设计 | 第114-116页 |
| 6.4 本章小结 | 第116-117页 |
| 参考文献 | 第117-120页 |
| 第七章 结论与展望 | 第120-122页 |
| 攻博期间参加的科研和发表的论文 | 第122-123页 |
| 致谢 | 第123页 |
