柴油機(jī)振動(dòng)信號(hào)分析與故障診斷研究

第1章 柴油機(jī)故障診斷概述
1.1 故障診斷發(fā)展歷程
1.2 柴油機(jī)故障分類
1.3 柴油機(jī)診斷常用信息
1.4 柴油機(jī)動(dòng)態(tài)故障檢測(cè)技術(shù)
1.4.1 狀態(tài)參數(shù)法
1.4.2 油液分析法
1.4.3 聲學(xué)檢測(cè)法
1.4.4 振動(dòng)檢測(cè)法
1.4.5 多源信息融合診斷法
1.5 柴油機(jī)振動(dòng)信號(hào)處理與特征提取方法
1.5.1 基于小波分析的柴油機(jī)信號(hào)處理與特征提取方法
1.5.2 雙樹(shù)復(fù)小波變換及其在機(jī)械信號(hào)處理中的應(yīng)用
1.6 基于支持向量機(jī)的柴油機(jī)異常檢測(cè)
1.6.1 單類支持向量機(jī)的研究與應(yīng)用
1.6.2 單類支持向量機(jī)在機(jī)械異常檢測(cè)中的應(yīng)用
第2章 雙樹(shù)復(fù)小波分析
2.1 小波分析理論基礎(chǔ)
2.1.1 從傅里葉分析到小波變換
2.1.2 多分辨率分析與Mallat算法
2.1.3 小波包變換的定義
2.1.4 小波包變換的Mallat算法
2.2 雙樹(shù)復(fù)小波變換
2.2.1 傳統(tǒng)離散小波變換的平移變動(dòng)性
2.2.2 雙樹(shù)復(fù)小波包變換
2.2.3 雙樹(shù)復(fù)小波包Hilbert變換對(duì)濾波器設(shè)計(jì)
2.2.4 雙樹(shù)復(fù)小波包快速M(fèi)allat算法
2.3 基于小波變換的基本降噪方法分析對(duì)比
2.3.1 基于模極大值重構(gòu)的小波降噪方法
2.3.2 基于信號(hào)尺度間相關(guān)性的空域相關(guān)降噪方法
2.3.3 基于小波變換解相關(guān)特性的小波閾值降噪方法
2.4 本章小結(jié)
第3章 柴油機(jī)振動(dòng)分析與雙樹(shù)復(fù)小波包降噪研究
3.1 柴油機(jī)振動(dòng)信號(hào)采集方法
3.1.1 等角度域采樣原理分析
3.1.2 柴油機(jī)整循環(huán)同步采樣的實(shí)現(xiàn)
3.1.3 柴油機(jī)試驗(yàn)工況
3.2 柴油機(jī)振動(dòng)信號(hào)特性分析
3.2.1 缸蓋系統(tǒng)振動(dòng)動(dòng)力學(xué)模型
3.2.2 柴油機(jī)振動(dòng)信號(hào)特性分析
3.3 雙樹(shù)復(fù)小波包仿真信號(hào)分析
3.3.1 階梯信號(hào)的平移不變性測(cè)試
3.3.2 小波包分解頻率混疊測(cè)試
3.4 雙樹(shù)復(fù)小波包自適應(yīng)鄰域分塊閾值降噪方法
3.4.1 分塊閾值降噪
3.4.2 自適應(yīng)分塊閾值降噪方法
3.4.3 計(jì)算機(jī)仿真信號(hào)分析
3.5 柴油機(jī)缸蓋振動(dòng)信號(hào)降噪實(shí)例
3.6 本章小結(jié)
第4章 基于雙樹(shù)復(fù)小波包的柴油機(jī)故障特征提取
4.1 基于雙樹(shù)復(fù)小波包的時(shí)域特征提取
4.1.1 振動(dòng)信號(hào)的統(tǒng)計(jì)特征參數(shù)
4.1.2 多分辨率：Hilbert包絡(luò)熵
4.2 基于雙樹(shù)復(fù)小波包的頻域特征提取
4.2.1 歸一化相對(duì)能量特征
4.2.2 基于互熵的相對(duì)能量特征評(píng)價(jià)指標(biāo)
4.2.3 實(shí)測(cè)信號(hào)分析
4.3 基于雙樹(shù)復(fù)小波包的時(shí)頻域特征提取
4.3.1 雙樹(shù)復(fù)小波包時(shí)頻分布
4.3.2 奇異值分解和奇異譜分析
4.3.3 實(shí)測(cè)信號(hào)分析
4.4 基于雙樹(shù)復(fù)小波包變換的特征參數(shù)集提取過(guò)程
4.5 本章小結(jié)
第5章 單類支持向量機(jī)
5.1 支持向量機(jī)理論
5.1.1 分類超平面
5.1.2 支持向量機(jī)
5.2 單類支持向量機(jī)模型
5.2.1 One—Class SVM模型
5.2.2 支持向量描述模型
5.2.3 參數(shù)設(shè)置與優(yōu)化分析
5.3 單類支持向量機(jī)模型理論分析
5.3.1 兩種單類支持向量機(jī)模型的區(qū)別和聯(lián)系
5.3.2 模型局限性分析
5.3.3 模型性能評(píng)價(jià)指標(biāo)
5.4 單類支持向量機(jī)研究進(jìn)展
5.5 本章小結(jié)
第6章 基于單類支持向量機(jī)的柴油機(jī)異常檢測(cè)模型研究
6.1 最大間隔超球分類器異常檢測(cè)模型
6.1.1 最優(yōu)分類超平面思想
6.1.2 最大間隔超球分類器異常檢測(cè)模型的建立
6.1.3 模型參數(shù)分析
6.1.4 實(shí)例分析與應(yīng)用
6.2 基于貝葉斯的三層閾值異常檢測(cè)模型
6.2.1 特征空間與混疊域
6.2.2 基于貝葉斯的三層閾值分界面
6.2.3 實(shí)測(cè)信號(hào)分析
6.3 基于多核映射的支持向量異常檢測(cè)模型
6.3.1 多核空間描述
6.3.2 多核支持向量描述模型
6.3.3 柴油機(jī)實(shí)測(cè)信號(hào)應(yīng)用
6.4 本章小結(jié)
第7章 基于粒子群的異常檢測(cè)模型多目標(biāo)優(yōu)化研究
7.1 粒子群優(yōu)化算法
7.1.1 粒子群優(yōu)化算法基本原理
7.1.2 粒子群優(yōu)化算法控制參數(shù)分析
7.1.3 標(biāo)準(zhǔn)微粒群算法的局限性
7.2 自適應(yīng)混沌雙粒子群優(yōu)化
7.2.1 雙種群協(xié)同進(jìn)化
7.2.2 混沌變異全局搜索種群
7.2.3 自適應(yīng)鄰域局部搜索種群
7.2.4 仿真對(duì)比測(cè)試
7.3 基于粒子群的柴油機(jī)異常檢測(cè)多目標(biāo)優(yōu)化
7.3.1 非支配排序微粒群多目標(biāo)優(yōu)化
7.3.2 數(shù)據(jù)分析與驗(yàn)證
7.4 本章小結(jié)
第8章 柴油機(jī)異常檢測(cè)動(dòng)態(tài)更新與故障類型識(shí)別
8.1 柴油機(jī)異常檢測(cè)模型的動(dòng)態(tài)更新
8.1.1 異常檢測(cè)模型增量學(xué)習(xí)與KKT條件
8.1.2 新增樣本對(duì)支持向量集的影響分析
8.1.3 異常檢測(cè)模型更新法則
8.1.4 異常檢測(cè)模型增量式SMO快速訓(xùn)練算法
8.1.5 柴油機(jī)在線檢測(cè)性能分析
8.2 柴油機(jī)在線檢測(cè)動(dòng)態(tài)多故障類型識(shí)別方法
8.2.1 動(dòng)態(tài)多故障識(shí)別模型的建立
8.2.2 測(cè)試樣本點(diǎn)與各超球體的位置關(guān)系分析
8.2.3 柴油機(jī)多故障診斷應(yīng)用
8.3 本章小結(jié)
參考文獻(xiàn)