| 摘要 | 第1-9页 |
| ABSTRACT | 第9-18页 |
| 第一章 绪论 | 第18-35页 |
| ·课题的研究背景及意义 | 第18-19页 |
| ·课题来源 | 第18页 |
| ·课题的背景及意义 | 第18-19页 |
| ·汽车起重机状态监控及智能诊断技术国内外研究现状 | 第19-22页 |
| ·汽车起重机概况 | 第19-21页 |
| ·工程机械状态监控及智能诊断现状 | 第21-22页 |
| ·基于数据驱动的状态监控及故障诊断研究现状 | 第22-31页 |
| ·信号降噪技术 | 第22-26页 |
| ·特征生成与降维 | 第26-28页 |
| ·智能诊断技术 | 第28-31页 |
| ·本文研究内容及技术路线 | 第31-33页 |
| ·问题的提出 | 第31-32页 |
| ·研究内容和技术路线 | 第32-33页 |
| ·论文内容安排 | 第33-35页 |
| 第二章 小波去噪合理分解层数确定方法 | 第35-61页 |
| ·引言 | 第35-36页 |
| ·小波变换去相关性和BOOTSTRAP采样 | 第36-40页 |
| ·小波变换的去相关性 | 第36-37页 |
| ·Bootstrap重采样原理 | 第37页 |
| ·Block bootstrap 重采样方法 | 第37-38页 |
| ·最优块长的确定 | 第38-40页 |
| ·基于合理分解层数的小波去噪 | 第40-44页 |
| ·基于小波的块bootstrap过程 | 第40-41页 |
| ·白噪声检验 | 第41-42页 |
| ·基于小样本的白化检验 | 第42页 |
| ·白化检验去噪算法 | 第42-44页 |
| ·实验验证 | 第44-60页 |
| ·仿真实验 | 第44-47页 |
| ·轴承数据实验 | 第47-59页 |
| ·进一步讨论 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第三章 基于多假设检验的小波去噪阈值确定方法 | 第61-82页 |
| ·引言 | 第61-62页 |
| ·假阳性率概念 | 第62-63页 |
| ·改进的FDR控制过程 | 第63-68页 |
| ·FDR控制的实现 | 第63-64页 |
| ·原假设数目的估计 | 第64-67页 |
| ·改进的FDR过程 | 第67-68页 |
| ·基于AFDR的小波去噪 | 第68-70页 |
| ·实验验证 | 第70-81页 |
| ·仿真实验 | 第70-74页 |
| ·轴承数据实验 | 第74-78页 |
| ·进一步讨论 | 第78-81页 |
| ·本章小结 | 第81-82页 |
| 第四章 基于小波 LEADERS的多重分形特征提取方法 | 第82-108页 |
| ·引言 | 第82页 |
| ·小波 LEADERS介绍 | 第82-83页 |
| ·基于小波LEADERS的多重分形特征提取 | 第83-85页 |
| ·相关量的选取 | 第85-88页 |
| ·母小波的选择 | 第85页 |
| ·多分辨量矩阶数范围的选择 | 第85-86页 |
| ·回归尺度选择 | 第86页 |
| ·诊断模型选择 | 第86-88页 |
| ·模拟信号检验小波LEADERS提取多重分形特征 | 第88-92页 |
| ·“devil staircase”函数的多重分形分析 | 第88-90页 |
| ·模拟振动信号多重分形分析 | 第90-92页 |
| ·基于小波LEADERS特征滚动轴承故障诊断实验 | 第92-106页 |
| ·实验条件 | 第92-93页 |
| ·多重分形特征提取相关量的选取 | 第93-96页 |
| ·多重分形特征的分类性能 | 第96-103页 |
| ·多重分形和其它特征组合的分类性能 | 第103-106页 |
| ·本章小结 | 第106-108页 |
| 第五章 基于PSO-RVM和基于ANT-SVDD聚类的诊断模型 | 第108-127页 |
| ·引言 | 第108-109页 |
| ·基于PSO-RVM的智能诊断模型 | 第109-114页 |
| ·RVM分类 | 第109-110页 |
| ·基于粒子群的RVM参数优化 | 第110-112页 |
| ·基于PSO-RVM的诊断模型 | 第112-114页 |
| ·基于PSO-RVM模型的滚动轴承故障诊断实验 | 第114-117页 |
| ·实验装置 | 第114页 |
| ·实验数据描述 | 第114页 |
| ·模型初始参数设置 | 第114-115页 |
| ·实验结果与分析 | 第115-117页 |
| ·基于ANT-SVDD和聚类的新增类故障诊断模型 | 第117-121页 |
| ·SVDD算法 | 第117-118页 |
| ·基于蚁群的SVDD参数优化方法 | 第118-120页 |
| ·基于DBI的K均值聚类方法 | 第120-121页 |
| ·新增类智能诊断模型 | 第121页 |
| ·新增类故障诊断模型实验验证 | 第121-125页 |
| ·实验数据描述 | 第121-123页 |
| ·模型初始参数设置 | 第123页 |
| ·实验结果与分析 | 第123-125页 |
| ·本章小结 | 第125-127页 |
| 第六章 起重机智能维护系统设计及关键技术应用 | 第127-156页 |
| ·引言 | 第127页 |
| ·汽车起重机智能维护系统设计 | 第127-131页 |
| ·系统总体架构 | 第127-129页 |
| ·系统数据库总体设计 | 第129-131页 |
| ·汽车起重机主泵故障机理分析及振动数据采集 | 第131-136页 |
| ·汽车起重机主泵故障机理分析 | 第131-132页 |
| ·柱塞泵试验台及传感器的布置 | 第132-134页 |
| ·起重机主泵振动数据采集 | 第134-136页 |
| ·小波信号去噪技术在主泵状态监控中的应用 | 第136-142页 |
| ·汽车起重机主泵正常状态的振动分析 | 第136-140页 |
| ·汽车起重机主泵柱塞磨损故障的振动分析 | 第140-142页 |
| ·汽车起重机主泵PSO-RVM智能诊断方法应用 | 第142-149页 |
| ·基于小波包能量特征的汽车起重机主泵PSO-RVM故障诊断 | 第143-148页 |
| ·基于小波leaders特征与时域特征的汽车起重机主泵PSO-RVM故障诊断 | 第148-149页 |
| ·基于ANT-SVDD和聚类的汽车起重机主泵新增类故障诊断 | 第149-154页 |
| ·数据描述 | 第149页 |
| ·模型初始参数设置 | 第149-150页 |
| ·诊断结果与分析 | 第150-154页 |
| ·起重机主泵智能维护关键技术软件集成应用 | 第154-155页 |
| ·本章小结 | 第155-156页 |
| 第七章 总结与展望 | 第156-159页 |
| ·全文研究总结 | 第156-157页 |
| ·主要创新点 | 第157-158页 |
| ·研究展望 | 第158-159页 |
| 参考文献 | 第159-172页 |
| 致谢 | 第172-173页 |
| 攻读博士学位期间的主要研究成果 | 第173-174页 |
