基于粗糙集和神经网络的汽车发动机气门间隙故障诊断
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的意义和目的 | 第10页 |
| 1.2 汽车发动机智能故障诊断技术的发展现状 | 第10-12页 |
| 1.3 四缸汽车发动机故障诊断技术的未来发展方向 | 第12页 |
| 1.4 故障诊断的技术方法 | 第12-14页 |
| 1.4.1 信号采集 | 第13页 |
| 1.4.2 信号处理 | 第13-14页 |
| 1.4.3 故障诊断学习方法 | 第14页 |
| 1.5 本文研究的主要内容 | 第14-16页 |
| 第2章 振动故障诊断的信号分析方法 | 第16-30页 |
| 2.1 信号分析基础 | 第16-17页 |
| 2.1.1 采样定理 | 第16-17页 |
| 2.1.2 泄漏和窗函数 | 第17页 |
| 2.2 经典振动信号处理方法 | 第17-20页 |
| 2.2.1 时域分析 | 第17页 |
| 2.2.2 频域分析 | 第17-20页 |
| 2.3 小波分析 | 第20-25页 |
| 2.3.1 小波分析理论 | 第20-21页 |
| 2.3.2 小波变换 | 第21-22页 |
| 2.3.3 常用小波函数 | 第22-25页 |
| 2.4 小波基函数的选择 | 第25-26页 |
| 2.5 多分辨率分析与Mallat算法 | 第26-28页 |
| 2.6 小波包 | 第28-30页 |
| 第3章 发动机配气机构的力学模型 | 第30-40页 |
| 3.1 汽车发动机缸盖振动信号源模型 | 第30-31页 |
| 3.2 激励源与振动传播途径分析 | 第31-33页 |
| 3.2.1 燃烧激励 | 第31-32页 |
| 3.2.2 惯性力激励 | 第32-33页 |
| 3.3 配气机构的动力学分析 | 第33-37页 |
| 3.4 气门间隙异常的振动诊断机理 | 第37-40页 |
| 第4章 振动信号的特征提取 | 第40-48页 |
| 4.1 汽车发动机振动信号采集实验 | 第40-45页 |
| 4.2 发动机缸盖振动信号的特征提取 | 第45-48页 |
| 第5章 基于粗糙神经网络的智能故障诊断系统 | 第48-76页 |
| 5.1 粗糙集与神经网络结合的形式 | 第48-50页 |
| 5.2 粗糙集理论的基本概念 | 第50-56页 |
| 5.2.1 知识与知识库 | 第50-52页 |
| 5.2.2 信息系统和决策系统 | 第52-53页 |
| 5.2.3 粗糙集与近似集 | 第53-56页 |
| 5.3 征兆属性的离散化 | 第56-62页 |
| 5.4 基于遗传算法的征兆属性的约简 | 第62-66页 |
| 5.5 BP神经网络和学习算法 | 第66-68页 |
| 5.6 计算决策表的上、下粗糙集 | 第68-69页 |
| 5.7 粗糙神经网络的构建 | 第69-71页 |
| 5.7.1 粗糙神经元 | 第69-70页 |
| 5.7.2 基于BP算法的粗糙神经网络 | 第70-71页 |
| 5.8 基于粗糙神经网络的发动机故障诊断 | 第71-76页 |
| 5.8.1 BP神经网络训练的参数确定 | 第72-73页 |
| 5.8.2 粗糙神经网络的训练与测试结果 | 第73-76页 |
| 第6章 结论与展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82页 |
