声明
摘要
第一章绪论
1．1研究背景及目的意义
1．2国内外研究现状综述
1．2．1整周期采样方法的研究现状
1．2．2特征提取方法的研究现状
1．2．3工况识别方法的研究现状
1．2．4故障诊断方法的研究现状
1．3现阶段存在的问题
1．4本文研究内容及整体结构
第二章无键相触发条件的柴油机振动信号预处理方法
2．1引言
2．2柴油机振动主要激励及振动信号预处理
2．2．1主要振动激励源
2．2．2常见典型故障
2．2．3传统键相获取方法及存在问题
2．2．4无键相整周期信号获取的可行性分析
2．3振动冲击和转速特征提取研究
2．3．1基于自适应阈值TEO的冲击特征增强和识别方法
2．3．2基于同步压缩广义S变换的转速估计方法
2．4无键相的整周期信号方法及整体框架
2．4．1基于自适应相关分析的整周期获取方法
2．4．2无键相的整周期获取整体框架
2．5本章小结
第三章基于改进VMD自适应分解的振动特征提取方法
3．1引言
3．2变分模态分解方法优化研究
3．2．1相关理论及参数分析
3．2．2动态自适应的混沌粒子群优化算法
3．3基于改进VMD的振动信号自适应分解方法
3．3．1适应度函数设计
3．3．2DACPSO-VMD方法整体框架
3．3．3仿真信号验证
3．4基于改进VMD与MFCC的特征提取
3．4．1MFCC基本原理及改进
3．4．2信号增强预处理
3．4．3VMD-MFCC特征提取流程
3．4．4仿真验证
3．4．5实验验证
3．5本章小结
4．1引言
4．2工况特征分析
4．2．1时域特征
4．2．2频域特征
4．2．3时频域特征
4．3基于特征融合的稀疏表示与改进KNN变工况识别
4．3．1基于mRMR-SKCCA特征融合的稀疏表示
4．3．2增强加权k最近邻分类器
4．3．3工况识别方法整体框架
4．3．4实验验证及结果分析
4．4基于一维深度典型相关卷积神经网络的工况智能识别
4．4．1卷积神经网络概述及理论基础
4．4．2深度典型相关分析
4．4．3基于一维深度典型相关卷积神经网络的工况智能识别
4．4．4工况智能识别框架
4．4．5实验验证及结果分析
4．5本章小结
第五章柴油机变工况典型故障智能诊断方法
5．1引言
5．2基于多分支注意力机制卷积神经网络的变工况故障诊断
5．2．1注意力机制机理
5．2．2多分支注意力机制卷积神经网络模型
5．2．3变工况故障智能诊断方法流程
5．2．4实验验证及结果分析
5．3基于深度卷积迁移学习的变工况故障智能诊断
5．3．1深度迁移学习原理介绍
5．3．2基于深度卷积迁移学习的变工况故障智能诊断模型
5．3．3深度迁移卷积学习故障诊断流程
5．3．4实验验证和结果分析
5．4本章小结
第六章实验及工程应用
6．1实验机组介绍
6．2实验介绍
6．2．1无键相的整周期获取实验
6．2．2工况识别实验
6．2．3变工况气门间隙故障模拟实验
6．3工程应用机组介绍
6．4工程应用介绍
6．4．1无键相的整周期获取方法应用
6．4．2工况智能识别方法应用
6．4．3应急柴油机启动超时案例分析
6．5本章小结
第七章结论与展望
7．1全文总结
7．2未来展望
参考文献
致谢
研究成果及发表的学术论文
作者和导师简介
北京化工大学;
