基于密度峰值聚类的航空发动机转子系统故障诊断研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 课题研究目的及意义 | 第8-9页 |
| 1.2 转子故障诊断的主要内容 | 第9-10页 |
| 1.3 航空发动机转子系统故障类型及形成机理 | 第10-12页 |
| 1.4 国内外研究现状 | 第12-15页 |
| 1.4.1 转子系统故障诊断国内外研究现状 | 第12-14页 |
| 1.4.2 密度峰值聚类算法的国内外研究现状 | 第14-15页 |
| 1.5 本文的主要内容 | 第15-17页 |
| 第二章 提升小波阈值去噪及特征提取 | 第17-26页 |
| 2.1 信号去噪 | 第17-22页 |
| 2.1.1 提升小波阈值去噪 | 第17页 |
| 2.1.2 提升小波变换原理 | 第17-19页 |
| 2.1.3 提升小波阈值去噪方法 | 第19页 |
| 2.1.4 去噪算法的方案确定 | 第19-22页 |
| 2.2 特征值的提取 | 第22-24页 |
| 2.2.1 振幅熵 | 第23页 |
| 2.2.2 功率谱重心 | 第23-24页 |
| 2.3 去噪前后信号特征值对比 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 改进快速搜索发现密度峰值聚类算法 | 第26-38页 |
| 3.1 聚类算法概述 | 第26-28页 |
| 3.2 密度峰值聚类及其优缺点 | 第28-30页 |
| 3.2.1 密度聚类算法的实现 | 第29-30页 |
| 3.2.2 密度聚类算法的缺陷 | 第30页 |
| 3.3 密度聚类算法的改进 | 第30-34页 |
| 3.3.1 马氏距离 | 第31-32页 |
| 3.3.2 自动选择聚类中心的实现 | 第32-34页 |
| 3.4 改进后聚类效果的对比 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 故障诊断方法的实例分析 | 第38-49页 |
| 4.1 信号采集 | 第38-42页 |
| 4.1.1 转子试验台介绍 | 第38-39页 |
| 4.1.2 数据采集 | 第39-42页 |
| 4.2 信号去噪与特征提取 | 第42-44页 |
| 4.3 故障特征聚类 | 第44-46页 |
| 4.4 结果分析 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 发表学术论文和参加科研工作的情况 | 第56-57页 |
| 致谢 | 第57-58页 |
