摘要 | 第1-5页 |
Abstract | 第5-10页 |
1 绪论 | 第10-18页 |
·选题背景和依据 | 第10-11页 |
·本课题研究目的和意义 | 第11-12页 |
·柴油机故障诊断研究现状 | 第12-13页 |
·核聚类理论的研究发展 | 第13-14页 |
·基于信息熵算法的故障诊断研究 | 第14-15页 |
·模糊 C 均值聚类的研究现状 | 第15-16页 |
·本文研究内容 | 第16-18页 |
2 柴油机故障机理简析 | 第18-27页 |
·引言 | 第18-19页 |
·柴油机的基本结构与常见故障 | 第19-23页 |
·柴油机的基本结构及作用 | 第19-20页 |
·柴油机常见故障 | 第20-22页 |
·柴油机常见故障原因分析 | 第22-23页 |
·柴油机发展所面临的挑战 | 第23-24页 |
·柴油机故障特点 | 第24-25页 |
·柴油机故障诊断技术发展方向 | 第25页 |
·振动信号特性分析 | 第25-26页 |
·柴油机特征提取方法 | 第26页 |
·总结 | 第26-27页 |
3 柴油机故障诊断实验及分析 | 第27-34页 |
·引言 | 第27-28页 |
·实验用柴油机基本概况 | 第28页 |
·柴油机测试系统 | 第28-30页 |
·柴油机传感器的安装与故障设置 | 第30-32页 |
·柴油机测点位置的选择 | 第30-31页 |
·故障设置 | 第31-32页 |
·振动信号采样频率设置 | 第32页 |
·实验步骤及说明 | 第32-33页 |
·小结 | 第33-34页 |
4 信号的特征提取 | 第34-66页 |
·柴油机振动特征 | 第34-35页 |
·时频域统计特征 | 第34-35页 |
·频谱分析特征值 | 第35-37页 |
·小波包降噪及提取特征值 | 第37-42页 |
·小波及小波包变换 | 第37-38页 |
·小波包对柴油机振动信号降噪的基本步骤 | 第38-39页 |
·选择不同的消失距 dB 系小波包降噪 | 第39页 |
·正常信号小波包分析及特征值提取 | 第39-42页 |
·核主元分析算法 | 第42-46页 |
·核主元分析(KPCA)基本概念 | 第42-43页 |
·基本定理及运算 | 第43页 |
·常用的核函数及各特点 | 第43-45页 |
·核主元分析的基本算法 | 第45-46页 |
·核主元分析故障判断准则 | 第46-47页 |
·核主元分析法故障诊断步骤 | 第47-48页 |
·利用核主元方法特征值提取及故障诊断 | 第48-53页 |
·信息熵在信号特征提取中的应用研究 | 第53页 |
·传统信息测度的局限性 | 第53-54页 |
·基于小波变换的时-频域信息熵 | 第54-58页 |
·小波奇异谱熵(wavelet Singular Entropy:WSE) | 第54-56页 |
·小波能谱熵(wavelet Energy Entropy:WEE) | 第56-57页 |
·小波时间熵(wavelet Time Entropy:WTE) | 第57-58页 |
·柴油机信息熵特征值提取 | 第58-64页 |
·时域信息熵提取(Time frequency Singular Entropy) | 第58-60页 |
·频域信息熵提取(Power Spectrum Entropy) | 第60-61页 |
·小波奇异谱熵提取(wavelet Singular Entropy:WSE) | 第61-62页 |
·时-频域信息熵-小波能谱熵提取(wavelet Energy Entropy:WEE) | 第62-63页 |
·时-频域信息熵-小波时间熵提取(wavelet Time Entropy:WTE) | 第63-64页 |
·小结 | 第64-66页 |
5 基于模糊聚类分析的故障诊断研究 | 第66-76页 |
·数据集的 C 划分 | 第66-67页 |
·模糊 C 聚类目标函数 | 第67-70页 |
·模糊 C 均值聚类算法 | 第70-71页 |
·模糊 C 核聚类 | 第71页 |
·基于模糊 C 核聚类下的柴油机故障诊断的研究 | 第71-74页 |
·判断故障类型 | 第74页 |
·模糊故障诊断的优缺点 | 第74-75页 |
·小结 | 第75-76页 |
6 基于 D-S 理论和 BP 神经网络融合的故障识别研究 | 第76-85页 |
·引言 | 第76页 |
·DS 证据与神经网络融合基本理论 | 第76-80页 |
·DS 证据融合基本理论 | 第76-77页 |
·针对柴油机特征设计 BP 神经网络 | 第77-79页 |
·神经网络的训练 | 第79-80页 |
·基于神经网络和 D-S 证据理论结合的柴油机故障诊断 | 第80-84页 |
·神经网络进行局部诊断 | 第81-83页 |
·D-S 证据理论决策层融合诊断 | 第83-84页 |
·小结 | 第84-85页 |
7 结论与展望 | 第85-87页 |
参考文献 | 第87-91页 |
攻读硕士期间发表的论文及所取得的研究成果 | 第91-92页 |
致谢 | 第92-93页 |