| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第17-25页 |
| 1.1 课题背景及意义 | 第17-19页 |
| 1.2 往复机械预警与诊断技术研究概况 | 第19-22页 |
| 1.2.1 引言 | 第19页 |
| 1.2.2 预警与诊断技术研究现状 | 第19-21页 |
| 1.2.3 预警与诊断技术发展趋势 | 第21-22页 |
| 1.3 本文主要研究内容及结构安排 | 第22-25页 |
| 第二章 基于负荷相关性参数的柴油机预警方法研究 | 第25-45页 |
| 2.1 引言 | 第25页 |
| 2.2 柴油发动机运行状态预测方法研究 | 第25-39页 |
| 2.2.1 基于参数预测残差的状态预测模型 | 第26-27页 |
| 2.2.2 状态预测模型输入参数 | 第27-30页 |
| 2.2.3 状态预测模型的建立 | 第30-34页 |
| 2.2.4 状态预测模型实例分析 | 第34-39页 |
| 2.3 基于负荷稳定量参数的柴油机预警方法 | 第39-43页 |
| 2.3.1 负荷稳定量参数 | 第39-40页 |
| 2.3.2 实例分析 | 第40-43页 |
| 2.4 本章小结 | 第43-45页 |
| 第三章 基于ReliefF-PCA和SVM的柴油机故障诊断方法研究 | 第45-65页 |
| 3.1 引言 | 第45页 |
| 3.2 基于ReliefF-PCA的敏感特征提取 | 第45-49页 |
| 3.2.1 ReliefF技术 | 第45-47页 |
| 3.2.2 PCA技术 | 第47-48页 |
| 3.2.3 故障敏感特征提取 | 第48-49页 |
| 3.3 基于SVM的故障诊断 | 第49-63页 |
| 3.3.1 SVM算法 | 第49-51页 |
| 3.3.2 柴油机典型故障自动诊断模型 | 第51-62页 |
| 3.3.3 基于SVM的故障分类方法 | 第62-63页 |
| 3.4 本章小结 | 第63-65页 |
| 第四章 往复压缩机活塞杆组件故障诊断方法研究 | 第65-83页 |
| 4.1 引言 | 第65页 |
| 4.2 基于谐波小波的活塞杆轴心轨迹提纯方法研究 | 第65-74页 |
| 4.2.1 活塞杆组件故障特征分析 | 第65-69页 |
| 4.2.2 谐波小波提纯原理 | 第69-70页 |
| 4.2.3 活塞杆轴心轨迹特征提取 | 第70-74页 |
| 4.3 基于流形学习的活塞杆组件故障敏感特征提取 | 第74-77页 |
| 4.3.1 流形学习算法 | 第74-75页 |
| 4.3.2 基于流形学习的敏感特征提取 | 第75-77页 |
| 4.4 基于神经网络的活塞杆组件故障诊断 | 第77-81页 |
| 4.4.1 神经网络算法 | 第77-78页 |
| 4.4.2 活塞杆组件故障自动诊断实例 | 第78-81页 |
| 4.4.3 基于神经网络的故障分类方法 | 第81页 |
| 4.5 本章小结 | 第81-83页 |
| 第五章 实验与工程应用研究 | 第83-95页 |
| 5.1 柴油机负荷预测实验研究 | 第83-88页 |
| 5.1.1 实验台介绍 | 第83页 |
| 5.1.2 数据分析 | 第83-88页 |
| 5.2 柴油机失火故障案例分析 | 第88-91页 |
| 5.2.1 机组概况 | 第88-89页 |
| 5.2.2 监测信号分析 | 第89-91页 |
| 5.3 往复压缩机活塞杆断裂故障案例分析 | 第91-94页 |
| 5.4 本章小结 | 第94-95页 |
| 第六章 总结与展望 | 第95-97页 |
| 6.1 总结 | 第95页 |
| 6.2 展望 | 第95-97页 |
| 参考文献 | 第97-101页 |
| 致谢 | 第101-103页 |
| 研究成果及发表的学术论文 | 第103-105页 |
| 作者和导师简介 | 第105-107页 |
| 附件 | 第107-108页 |