内燃机智能故障诊断系统的研究及应用
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-11页 |
| 1． 绪论 | 第11-24页 |
| 1．1 课题研究的意义及来源 | 第11-13页 |
| 1．1．1 研究的意义 | 第11-12页 |
| 1．1．2 课题来源 | 第12-13页 |
| 1．2 内燃机故障诊断的研究内容 | 第13-18页 |
| 1．2．1 状态信号的采集 | 第14-15页 |
| 1．2．2 信号分析处理及特征提取 | 第15-16页 |
| 1．2．3 状态识别 | 第16-17页 |
| 1．2．4 诊断决策 | 第17-18页 |
| 1．3 国内外研究现状及发展趋势 | 第18-22页 |
| 1．3．1 国内外研究现状 | 第18-21页 |
| 1．3．2 存在的问题及面临的困难 | 第21页 |
| 1．3．3 故障诊断的发展趋势 | 第21-22页 |
| 1．4 论文的主要内容及工作 | 第22-24页 |
| 1．4．1 论文的研究内容 | 第22-23页 |
| 1．4．2 作者的工作 | 第23-24页 |
| 2． 内燃机故障诊断技术及原理 | 第24-39页 |
| 2．1 内燃机故障诊断方法 | 第24-27页 |
| 2．1．1 内燃机转速波动法 | 第24-25页 |
| 2．1．2 振动信号故障特征法 | 第25页 |
| 2．1．3 灰色系统诊断法 | 第25-26页 |
| 2．1．4 小波分析诊断法 | 第26页 |
| 2．1．5 神经网络诊断法 | 第26页 |
| 2．1．6 模糊诊断法 | 第26-27页 |
| 2．2 内燃机典型故障振动诊断机理 | 第27-28页 |
| 2．2．1气门间隙异常的振动诊断机理 | 第27-28页 |
| 2．2．2内燃机气门漏气故障的振动诊断机理 | 第28页 |
| 2．3 神经网络原理 | 第28-31页 |
| 2．4 Back Propagation算法 | 第31-35页 |
| 2．4．1 BP算法 | 第31-32页 |
| 2．4．2 BP算法的几种改进 | 第32-35页 |
| 2．5 自组织特征映射网络原理及算法 | 第35-36页 |
| 2．6 专家系统 | 第36-38页 |
| 2．6．1 专家系统构成 | 第37-38页 |
| 2．6．2 产生式表示法 | 第38页 |
| 2．7 结论 | 第38-39页 |
| 3． 内燃机振动信号的处理 | 第39-56页 |
| 3．1 信号的获取及特征提取 | 第39-41页 |
| 3．1．1 内燃机缸盖振动信息模型 | 第39-40页 |
| 3．1．2 信号的获取 | 第40页 |
| 3．1．3 振动信号的特征提取 | 第40-41页 |
| 3．2 信号的幅值域参数 | 第41-42页 |
| 3．2．1 幅值域参数的定义 | 第41页 |
| 3．2．2 内燃机振动信号幅值域参数计算 | 第41-42页 |
| 3．3 信号的频域分析法 | 第42-45页 |
| 3．3．1 功率谱的定义 | 第43页 |
| 3．3．2 振动信号的功率谱分析 | 第43-45页 |
| 3．4 小波变换法 | 第45-54页 |
| 3．4．1 小波基本原理 | 第46-51页 |
| 3．4．2 小波包变换 | 第51-52页 |
| 3．4．3 内燃机故障小波分析 | 第52-54页 |
| 3．5 结论 | 第54-56页 |
| 4． 粗糙集理论及方法 | 第56-67页 |
| 4．1 粗糙集理论的特点 | 第56-57页 |
| 4．2 粗糙集理论的应用 | 第57-58页 |
| 4．3 粗糙集基本概念 | 第58-66页 |
| 4．3．1 知识的概念 | 第58-60页 |
| 4．3．2 不可分辨关系 | 第60-62页 |
| 4．3．3 知识的等价、特化以及泛化 | 第62页 |
| 4．3．4 近似关系 | 第62-64页 |
| 4．3．5 约简与核 | 第64-66页 |
| 4．4 结论 | 第66-67页 |
| 5． 粗糙集数据约简 | 第67-81页 |
| 5．1 数据的预处理 | 第67-71页 |
| 5．1．1 数据投影 | 第67页 |
| 5．1．2 缺失值的处理 | 第67-68页 |
| 5．1．3 数据的离散化处理 | 第68-71页 |
| 5．2 属性约简 | 第71-76页 |
| 5．2．1 常规约简算法 | 第71-72页 |
| 5．2．2 可辨识矩阵 | 第72-75页 |
| 5．2．3 可辨识矩阵改进算法 | 第75-76页 |
| 5．2．4 最大一致性因子约简法 | 第76页 |
| 5．3 值约简 | 第76-80页 |
| 5．3．1 常规值约简算法 | 第77页 |
| 5．3．2 改进的值约简算法 | 第77-78页 |
| 5．3．3 决策矩阵 | 第78-79页 |
| 5．3．4 改进型决策矩阵算法 | 第79-80页 |
| 5．4 结论 | 第80-81页 |
| 6． 内燃机智能故障诊断系统 | 第81-97页 |
| 6．1 智能型诊断系统的提出 | 第81-82页 |
| 6．2 智能型专家系统的特点 | 第82-84页 |
| 6．3 基于粗糙集理论的神经网络识别系统 | 第84-86页 |
| 6．4 分层发掘粗糙集诊断网络 | 第86-88页 |
| 6．4．1 网络模型及算法 | 第86页 |
| 6．4．2 分层发掘诊断网络的应用 | 第86-88页 |
| 6．5 内燃机故障诊断系统的建立 | 第88-95页 |
| 6．5．1 信号的小波包分解 | 第89页 |
| 6．5．2 神经网络识别 | 第89-92页 |
| 6．5．3 粗糙集方法处理 | 第92-95页 |
| 6．6 结论 | 第95-97页 |
| 7． 内燃机故障诊断系统的构成 | 第97-102页 |
| 7．1 内燃机各项技术参数 | 第97页 |
| 7．2 测点的选择 | 第97-98页 |
| 7．3 硬件系统 | 第98-100页 |
| 7．3．1 数据采集子系统 | 第99页 |
| 7．3．2 控制子系统 | 第99-100页 |
| 7．3．3 监控子系统 | 第100页 |
| 7．3．4 故障诊断子系统 | 第100页 |
| 7．3．5 打印服务子系统 | 第100页 |
| 7．4 软件系统 | 第100-101页 |
| 7．5 结论 | 第101-102页 |
| 8． 结论 | 第102-105页 |
| 8．1 作者的主要工作及创新 | 第102-103页 |
| 8．2 对故障诊断技术的展望 | 第103-105页 |
| 致谢 | 第105-106页 |
| 参考文献 | 第106-115页 |
| 攻读博士学位期间所发表的论文及参研项目 | 第115页 |
