| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题的背景及意义 | 第11页 |
| 1.2 基于监测数据进行列车故障特征分析的研究现状 | 第11-13页 |
| 1.3 数学形态学的理论与应用 | 第13-16页 |
| 1.3.1 数学形态学的发展简史 | 第13页 |
| 1.3.2 数学形态学基本理论 | 第13-15页 |
| 1.3.3 数学形态学在故障诊断上的应用 | 第15-16页 |
| 1.4 本文主要的研究内容 | 第16页 |
| 1.5 本文结构安排 | 第16-18页 |
| 第二章 高速列车走行部故障机理及故障数据分析 | 第18-24页 |
| 2.1 高速列车走行部上的关键部件 | 第18-20页 |
| 2.1.1 轮对 | 第19页 |
| 2.1.2 空气弹簧 | 第19-20页 |
| 2.1.3 横向减振器 | 第20页 |
| 2.1.4 抗蛇行减振器 | 第20页 |
| 2.2 高速列车振动分析 | 第20-21页 |
| 2.3 高速列车振动数据介绍 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于自适应形态提升小波的车轮踏面擦伤识别 | 第24-35页 |
| 3.1 含车轮踏面擦伤的轴箱振动垂向信号的数学模型 | 第24-25页 |
| 3.2 自适应形态提升小波的改进方案 | 第25-27页 |
| 3.2.1 自适应形态提升小波 | 第25-26页 |
| 3.2.2 改进的自适应形态提升小波 | 第26-27页 |
| 3.3 仿真实验与实测信号分析 | 第27-34页 |
| 3.3.1 仿真信号分析 | 第27-29页 |
| 3.3.2 高速列车轴箱振动信号分析 | 第29-34页 |
| 3.3.3 高速列车垂向振动信号的自适应形态提升小波特征 | 第34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于形态学分形的高速列车渐变状态识别 | 第35-46页 |
| 4.1 分形的基本概念 | 第35-36页 |
| 4.2 形态学分形维数 | 第36-37页 |
| 4.3 实验与结果分析 | 第37-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 基于形态学神经网络的高速列车特征分类 | 第46-56页 |
| 5.1 形态学神经网络简介 | 第46-50页 |
| 5.1.1 构造性形态学神经网络(CMNN) | 第46-47页 |
| 5.1.2 模糊格形态学神经网络 | 第47-48页 |
| 5.1.3 构造性形态学神经网络的提升算法 | 第48-50页 |
| 5.2 仿真数据测试 | 第50-52页 |
| 5.3 高速列车特征分类测试 | 第52-55页 |
| 5.4 本章小结 | 第55-56页 |
| 总结与展望 | 第56-58页 |
| 总结 | 第56-57页 |
| 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 攻读硕士学位期间发表的学术论文和参与的项目 | 第65页 |
