| 摘要 | 第1-6页 |
| Abstract | 第6-15页 |
| 第1章 绪论 | 第15-31页 |
| ·课题的研究背景及意义 | 第15-16页 |
| ·液压系统故障诊断方法的研究进展 | 第16-22页 |
| ·基于解析模型的方法 | 第16-17页 |
| ·基于信号处理的方法 | 第17-19页 |
| ·基于知识的方法 | 第19-21页 |
| ·故障诊断技术发展趋势 | 第21-22页 |
| ·核主元分析故障诊断技术在故障诊断中的应用 | 第22-24页 |
| ·多源数据信息融合与证据理论故障诊断技术的研究现状 | 第24-27页 |
| ·多源数据信息融合 | 第24-25页 |
| ·证据理论故障诊断技术发展趋势与存在的问题 | 第25-27页 |
| ·本文研究的意义及主要研究工作 | 第27-31页 |
| ·本文研究的意义 | 第27-29页 |
| ·本文研究的主要内容 | 第29-31页 |
| 第2章 基于多信息域分析的信号处理与特征量提取 | 第31-54页 |
| ·基于小波包滤波去噪的包络解调信号处理 | 第31-37页 |
| ·小波包去噪法 | 第31-34页 |
| ·基于Hilbert 变换的包络解调法 | 第34-36页 |
| ·基于小波包滤波去噪的包络解调信号处理 | 第36-37页 |
| ·信号的时域特征提取 | 第37-44页 |
| ·有量纲的参量 | 第37-39页 |
| ·无量纲的参量 | 第39-40页 |
| ·振动和声音信号的时域特征提取 | 第40-42页 |
| ·压力信号的时域特征提取 | 第42-44页 |
| ·信号的频域特征提取 | 第44-48页 |
| ·频域特征参量 | 第44-46页 |
| ·振动和声音信号的频域特征提取 | 第46-47页 |
| ·压力信号的频域特征提取 | 第47-48页 |
| ·信号的时频域特征提取 | 第48-52页 |
| ·时频域特征参量 | 第48-49页 |
| ·信号的时频域特征提取 | 第49-52页 |
| ·信号的多信息域故障特征向量提取 | 第52页 |
| ·本章小结 | 第52-54页 |
| 第3章 基于声音信号处理的KPCA 故障诊断方法 | 第54-70页 |
| ·PCA 的基本原理 | 第54-56页 |
| ·PCA 模型 | 第54-56页 |
| ·统计量的确定 | 第56页 |
| ·KPCA 的基本原理 | 第56-59页 |
| ·KPCA 模型 | 第56-58页 |
| ·核函数的选取 | 第58-59页 |
| ·统计量的确定 | 第59页 |
| ·基于声音信号处理的KPCA 故障诊断方法 | 第59-60页 |
| ·构建核主元模型 | 第59-60页 |
| ·在线检测 | 第60页 |
| ·试验研究 | 第60-69页 |
| ·声音信号分析 | 第60-62页 |
| ·声音信号的特征向量提取 | 第62-65页 |
| ·基于声音信号处理的KPCA 故障诊断法的诊断结果 | 第65-68页 |
| ·基于声音信号处理的PCA 故障诊断法的诊断结果 | 第68页 |
| ·基于振动信号处理的KPCA 故障诊断法的诊断结果 | 第68-69页 |
| ·诊断结果比较 | 第69页 |
| ·本章小结 | 第69-70页 |
| 第4 章 指数加权动态核主元分析的故障诊断方法 | 第70-82页 |
| ·指数加权动态自回归统计模型 | 第70-72页 |
| ·指数加权主元分析模型 | 第70页 |
| ·基于滑动时间窗口的数据更新 | 第70-71页 |
| ·指数加权核主元分析模型 | 第71-72页 |
| ·指数加权核主元分析模型的特点 | 第72页 |
| ·指数加权动态核主元分析法的建模与故障诊断 | 第72-75页 |
| ·第1 个时间窗口的建模与故障诊断 | 第72页 |
| ·第1 个时间窗口以后各窗口的建模与故障诊断 | 第72-75页 |
| ·试验研究 | 第75-81页 |
| ·振动信号分析 | 第75-76页 |
| ·振动信号的特征向量提取 | 第76-77页 |
| ·指数加权动态核主元分析的故障诊断方法的诊断结果 | 第77-81页 |
| ·本章小结 | 第81-82页 |
| 第5章 集成SVM 和证据理论的多源信息融合故障诊断方法 | 第82-103页 |
| ·证据理论 | 第83-84页 |
| ·证据理论中的几个重要概念 | 第83页 |
| ·证据区间的描述 | 第83-84页 |
| ·信度函数的融合规则 | 第84页 |
| ·基于矩阵分析的融合算法 | 第84-85页 |
| ·置信度分配矩阵 | 第85页 |
| ·算法描述 | 第85页 |
| ·基本概率分配的确定方法 | 第85-91页 |
| ·BP 神经网络确定基本概率分配 | 第85-89页 |
| ·SVM 确定基本概率分配 | 第89-91页 |
| ·基于证据理论的多源信息融合故障诊断方法 | 第91-93页 |
| ·故障特征信号的处理 | 第91-92页 |
| ·诊断过程的实现 | 第92-93页 |
| ·试验研究 | 第93-101页 |
| ·信号处理 | 第93-94页 |
| ·基本概率分配的确定 | 第94-98页 |
| ·试验结果分析 | 第98-101页 |
| ·本文提出2 种新诊断方法的诊断效果分析 | 第101-102页 |
| ·本章小结 | 第102-103页 |
| 第6章 液压泵故障诊断试验系统研究 | 第103-122页 |
| ·试验系统组成 | 第103-105页 |
| ·轴向柱塞泵的故障分析及各种故障的特征频率范围 | 第105-106页 |
| ·轴向柱塞泵的故障分析 | 第105-106页 |
| ·各种故障的特征频率范围 | 第106页 |
| ·振动传感器的选择及其布设 | 第106-117页 |
| ·振动传感器的选择 | 第107页 |
| ·振动传感器布设效果 | 第107-109页 |
| ·振动传感器的安装方式 | 第109-110页 |
| ·x 和y 方向测点配置方案 | 第110-112页 |
| ·泵壳上同一截面检测数据比较 | 第112-113页 |
| ·x 和y 方向测点配置 | 第113-117页 |
| ·声级计的选择及其测点的配置 | 第117-119页 |
| ·声级计的选择 | 第117页 |
| ·声级计测点的配置 | 第117-119页 |
| ·液压泵运行状态监测系统 | 第119-120页 |
| ·轴向柱塞泵的故障设置 | 第120-121页 |
| ·试验样本采集 | 第121页 |
| ·采集参数设置 | 第121页 |
| ·试验样本采集 | 第121页 |
| ·本章小结 | 第121-122页 |
| 结论 | 第122-124页 |
| 附录 | 第124-125页 |
| 参考文献 | 第125-135页 |
| 攻读博士学位期间承担的科研任务与主要成果 | 第135-136页 |
| 致谢 | 第136-137页 |
| 作者简介 | 第137页 |
