| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外相关领域的研究现状 | 第11-13页 |
| 1.2.1 发动机故障诊断技术的发展现状 | 第11-12页 |
| 1.2.2 基于信息融合的发动机故障诊断技术的发展现状 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13-15页 |
| 第2章 基于信息融合的故障诊断方案研究 | 第15-21页 |
| 2.1 信息融合技术 | 第15-18页 |
| 2.1.1 信息融合技术原理 | 第15页 |
| 2.1.2 信息融合的分类 | 第15-17页 |
| 2.1.3 信息融合的过程 | 第17-18页 |
| 2.2 基于信息融合的发动机故障诊断方案 | 第18-20页 |
| 2.2.1 基于信息融合的发动机故障诊断理论依据 | 第18页 |
| 2.2.2 基于信息融合的发动机故障诊断方案确定 | 第18-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 发动机故障信号预处理及特征提取 | 第21-37页 |
| 3.1 基于Mallat小波的消噪技术 | 第21-28页 |
| 3.1.1 Mallat小波变换 | 第21-22页 |
| 3.1.2 Mallat小波消噪步骤 | 第22-24页 |
| 3.1.3 Mallat小波消噪的Matlab仿真验证 | 第24-28页 |
| 3.2 发动机故障信号的消噪实例 | 第28-32页 |
| 3.2.1 发动机燃油系统故障信号的小波消噪 | 第28-30页 |
| 3.2.2 小波时频图的故障分析 | 第30-32页 |
| 3.3 发动机燃油系统故障诊断原理和故障特征分析 | 第32-36页 |
| 3.3.1 基于发动机振动信号的故障诊断及特征分析 | 第32-35页 |
| 3.3.2 基于瞬时转速信息的故障诊断原理及特征分析 | 第35页 |
| 3.3.3 基于气缸压力的故障诊断原理及特征分析 | 第35-36页 |
| 3.4 发动机燃油系统故障信号的特征提取 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于改进BP神经网络的发动机初级故障诊断 | 第37-50页 |
| 4.1 BP神经网络及改进 | 第37-41页 |
| 4.1.1 BP神经网络模型 | 第37-39页 |
| 4.1.2 BP神经网络的改进 | 第39-41页 |
| 4.2 用于诊断的BP网络结构设计 | 第41-43页 |
| 4.3 应用改进BP神经网络的发动机故障初级诊断 | 第43-49页 |
| 4.3.1 应用改进BP神经网络的故障诊断流程 | 第43-44页 |
| 4.3.2 故障特征向量的归一化处理 | 第44-46页 |
| 4.3.3 神经网络的训练仿真对比 | 第46-48页 |
| 4.3.4 应用改进BP神经网络的发动机故障初级诊断 | 第48-49页 |
| 4.4 本章小节 | 第49-50页 |
| 第5章 基于D-S证据理论的决策融合故障诊断 | 第50-58页 |
| 5.1 D-S证据理论及决策融合的故障诊断 | 第50-54页 |
| 5.1.1 D-S证据理论的基本原理 | 第50-53页 |
| 5.1.2 应用D-S证据理论的发动机决策融合故障诊断 | 第53-54页 |
| 5.2 证据体冲突时D-S证据理论的加权优化 | 第54-57页 |
| 5.2.1 D-S证据理论的加权优化 | 第54-56页 |
| 5.2.2 应用加权优化D-S证据理论的发动机决策融合故障诊断 | 第56-57页 |
| 5.3 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读学位期间发表的学术论文 | 第62-63页 |
| 致谢 | 第63页 |
