| 摘要 | 第1-6页 |
| ABSTRACT | 第6-13页 |
| 1 机械设备故障诊断概论 | 第13-30页 |
| ·研究背景及意义 | 第13-14页 |
| ·列车故障的动态诊断技术与应用 | 第14-15页 |
| ·机械故障诊断研究与应用现状 | 第15-18页 |
| ·机械故障诊断的发展概况 | 第15-16页 |
| ·机械故障诊断的技术特点及主要研究内容 | 第16-18页 |
| ·机械故障诊断存在的问题 | 第18页 |
| ·机器视觉理论简介 | 第18-20页 |
| ·机器视觉发展现状 | 第18-19页 |
| ·机器视觉技术的基本理论及其适应性 | 第19-20页 |
| ·基于神经网络的故障诊断研究与应用现状 | 第20-24页 |
| ·基于BP 神经网络的故障诊断 | 第20-21页 |
| ·基于RBF 神经网络的故障诊断 | 第21-22页 |
| ·基于BAM 神经网络的故障诊断 | 第22页 |
| ·基于自组织特征映射(SOM)神经网络的故障诊断 | 第22-23页 |
| ·基于Hopfield 神经网络的故障诊断 | 第23页 |
| ·基于模糊神经网络的故障诊断 | 第23页 |
| ·基干小波分析与神经网络结合的故障诊断 | 第23-24页 |
| ·基于神经网络的故障诊断存在的问题 | 第24页 |
| ·基于图像分析理论与神经网络的机械故障诊断系统 | 第24-28页 |
| ·机械故障诊断系统的系统框图 | 第24-26页 |
| ·运动机械设备故障检测系统的故障诊断模块 | 第26-28页 |
| ·论文主要研究内容 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 2 机械设备动态图像的预处理与故障目标自适应分割算法 | 第30-54页 |
| ·图像噪声处理 | 第31-35页 |
| ·机械设备图像噪声分析 | 第31-33页 |
| ·模糊自适应中值滤波 | 第33-35页 |
| ·图像增强 | 第35-39页 |
| ·直方图均衡化 | 第36-38页 |
| ·图像恢复 | 第38-39页 |
| ·故障目标自适应图像分割技术 | 第39-46页 |
| ·分割算法的定义 | 第40页 |
| ·分割算法的分类 | 第40-41页 |
| ·边缘检测技术 | 第41-42页 |
| ·基于灰度差的边缘检测方法 | 第42-45页 |
| ·实验结果 | 第45-46页 |
| ·基于灰度阈值的图像分割 | 第46-52页 |
| ·最小误差分割 | 第46-47页 |
| ·Otsu 自适应阈值分割算法 | 第47-49页 |
| ·二维Otsu 阈值分割方法 | 第49-51页 |
| ·基于最小类内离散度的二维改进 Otsu 自适应阈值分割方法 | 第51-52页 |
| ·分割结果 | 第52页 |
| ·本章小结 | 第52-54页 |
| 3 基于RHT-LSM 和FINRT 的特征提取方法 | 第54-77页 |
| ·图像特征的分类 | 第54页 |
| ·基于主元分析的图像特征提取 | 第54-58页 |
| ·PCA 的原理与方法 | 第55-57页 |
| ·用PCA 实现图像特征提取 | 第57-58页 |
| ·基于像素统计特征的图像特征提取 | 第58-60页 |
| ·基于几何特征的图像特征提取 | 第60-67页 |
| ·区域内部的形状特征 | 第60-62页 |
| ·区域边界的形状特征 | 第62-67页 |
| ·线状特征提取—RHT-LSM 直线提取方法 | 第67-72页 |
| ·基于Hough 变换(HT)的直线特征提取 | 第67-69页 |
| ·改进的Hough 变换方法——RHT-LSM 方法 | 第69-71页 |
| ·RHT-LSM 的实验结果 | 第71-72页 |
| ·自适应 Radon 变换(FINRT)形状特征提取方法 | 第72-76页 |
| ·Radon 变换 | 第73-74页 |
| ·FINRT(Fourier- Integral -Normalization Radon Transform )特征提取算法 | 第74-76页 |
| ·本章小结 | 第76-77页 |
| 4 基于径向基(RBF)神经网络的故障特征识别 | 第77-105页 |
| ·RBF 神经网络的基本结构 | 第77-79页 |
| ·插值问题和函数逼近 | 第79-82页 |
| ·插值问题 | 第79-81页 |
| ·函数逼近 | 第81-82页 |
| ·RBF 网络的正则化问题 | 第82-86页 |
| ·正则化原理 | 第82-85页 |
| ·RBF 网络的正则化方法 | 第85-86页 |
| ·RBF 神经网络设计的基本原则 | 第86-87页 |
| ·RBF 神经网络几种常用的学习方法 | 第87-93页 |
| ·直接计算法——随机选取RBF 中心 | 第88页 |
| ·自组织学习选取RBF 中心 | 第88-89页 |
| ·有监督学习选取RBF 中心 | 第89-90页 |
| ·正交最小二乘法(orthogonal least squares，OLS)选取RBF 中心 | 第90-93页 |
| ·基于RBF 神经网络的机械设备故障动态检测系统 | 第93-104页 |
| ·模糊c-均值(Fuzzy c-means，FCM)聚类算法 | 第94-96页 |
| ·Fisher 线性判决函数(Fisher’s linear discriminant，FLD) | 第96-100页 |
| ·RBF 中心、宽度的选择及输出权值的计算 | 第100-102页 |
| ·实例验证 | 第102-104页 |
| ·本章小结 | 第104-105页 |
| 5 一个典型的货车运行故障动态检测系统(TFDS) | 第105-117页 |
| ·引言 | 第105页 |
| ·TFDS 系统的总体结构及技术参数标准 | 第105-108页 |
| ·TFDS 系统的总体结构 | 第105-107页 |
| ·TFDS 系统技术参数标准 | 第107-108页 |
| ·TFDS 的主要功能及突出特点 | 第108-110页 |
| ·货车运行故障动态图像检测系统的难点分析 | 第110-111页 |
| ·故障模型库的获取策略 | 第111-112页 |
| ·故障诊断实验 | 第112-116页 |
| ·本章小结 | 第116-117页 |
| 6 总结与展望 | 第117-122页 |
| ·全文总结 | 第117-120页 |
| ·技术展望 | 第120-122页 |
| 致谢 | 第122-123页 |
| 参考文献 | 第123-133页 |
| 附录1 攻读学位期间发表论文目录 | 第133页 |
