| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第7-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题背景与研究意义 | 第10-11页 |
| 1.2 往复压缩机故障诊断技术的发展及研究现状 | 第11-12页 |
| 1.3 课题相关介绍及研究现状 | 第12-15页 |
| 1.3.1 往复压缩机故障信号特征提取分析方法 | 第12-14页 |
| 1.3.2 多重分形特征提取方法研究及现状 | 第14页 |
| 1.3.3 智能模式识别方法研究现状 | 第14-15页 |
| 1.4 本文主要研究内容 | 第15-16页 |
| 第二章 往复压缩机故障机理及故障模拟实验数据选取 | 第16-27页 |
| 2.1 往复压缩机结构及工作原理 | 第16-18页 |
| 2.1.1 往复压缩机的结构 | 第16页 |
| 2.1.2 往复压缩机的工作原理 | 第16-18页 |
| 2.1.3 2D12型往复压缩机参数及基本结构 | 第18页 |
| 2.2 往复压缩机常见故障机理分析及振动信号特性 | 第18-21页 |
| 2.2.1 气阀故障机理分析 | 第19-20页 |
| 2.2.2 曲柄连杆机构故障机理分析 | 第20-21页 |
| 2.2.3 往复压缩机振动信号特性 | 第21页 |
| 2.3 往复压缩机常见故障模拟实验数据选取 | 第21-26页 |
| 2.3.1 振动信号采集原则 | 第21-22页 |
| 2.3.2 常见故障模拟实验数据 | 第22-23页 |
| 2.3.3 模拟实验数据选取 | 第23-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 多重分形去趋势波动分析 | 第27-41页 |
| 3.1 分形概述 | 第27-28页 |
| 3.2 分形维数 | 第28-30页 |
| 3.3 多重分形 | 第30-33页 |
| 3.3.1 多重分形原理 | 第30-32页 |
| 3.3.2 多重分形谱计算 | 第32-33页 |
| 3.4 多重分形去趋势波动理论 | 第33-36页 |
| 3.4.1 DFA方法原理 | 第33-34页 |
| 3.4.2 MF-DFA方法原理 | 第34-36页 |
| 3.5 实测数据分析 | 第36-40页 |
| 3.5.1 模拟故障数据 | 第36-37页 |
| 3.5.2 MF-DFA分析 | 第37-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 增量学习KNNModel算法 | 第41-50页 |
| 4.1 KNNModel算法 | 第41-43页 |
| 4.2 增量学习KNNModel算法 | 第43-46页 |
| 4.2.1 增量学习构想 | 第43页 |
| 4.2.2 增量学习KNNModel算法 | 第43-45页 |
| 4.2.3 IKNNModel算法实现 | 第45-46页 |
| 4.3 IKNNModel应用实例 | 第46-49页 |
| 4.3.1 数据集 | 第46-47页 |
| 4.3.2 分类精度与比较 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 基于MF-DFA与IKNNModel的往复压缩机故障诊断方法及应用 | 第50-63页 |
| 5.1 往复压缩机故障诊断难点 | 第50页 |
| 5.2 往复压缩机故障特征提取方法与识别 | 第50-55页 |
| 5.2.1 数据预处理 | 第50-51页 |
| 5.2.2 故障特征提取 | 第51-53页 |
| 5.2.3 故障特征参数优选 | 第53-55页 |
| 5.2.4 故障特征识别 | 第55页 |
| 5.3 诊断方法步骤与流程 | 第55-56页 |
| 5.4 往复压缩机故障诊断应用案例 | 第56-62页 |
| 5.4.1 往复压缩机气阀故障分析 | 第57-59页 |
| 5.4.2 往复压缩机轴承故障分析 | 第59-62页 |
| 5.5 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 发表文章目录 | 第68-69页 |
| 致谢 | 第69-70页 |