柴油機振動信號分析與故障診斷研究

第1章 柴油機故障診斷概述
1.1 故障診斷發(fā)展歷程
1.2 柴油機故障分類
1.3 柴油機診斷常用信息
1.4 柴油機動態(tài)故障檢測技術
1.4.1 狀態(tài)參數(shù)法
1.4.2 油液分析法
1.4.3 聲學檢測法
1.4.4 振動檢測法
1.4.5 多源信息融合診斷法
1.5 柴油機振動信號處理與特征提取方法
1.5.1 基于小波分析的柴油機信號處理與特征提取方法
1.5.2 雙樹復小波變換及其在機械信號處理中的應用
1.6 基于支持向量機的柴油機異常檢測
1.6.1 單類支持向量機的研究與應用
1.6.2 單類支持向量機在機械異常檢測中的應用
第2章 雙樹復小波分析
2.1 小波分析理論基礎
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 雙樹復小波變換
2.2.1 傳統(tǒng)離散小波變換的平移變動性
2.2.2 雙樹復小波包變換
2.2.3 雙樹復小波包Hilbert變換對濾波器設計
2.2.4 雙樹復小波包快速Mallat算法
2.3 基于小波變換的基本降噪方法分析對比
2.3.1 基于模極大值重構的小波降噪方法
2.3.2 基于信號尺度間相關性的空域相關降噪方法
2.3.3 基于小波變換解相關特性的小波閾值降噪方法
2.4 本章小結
第3章 柴油機振動分析與雙樹復小波包降噪研究
3.1 柴油機振動信號采集方法
3.1.1 等角度域采樣原理分析
3.1.2 柴油機整循環(huán)同步采樣的實現(xiàn)
3.1.3 柴油機試驗工況
3.2 柴油機振動信號特性分析
3.2.1 缸蓋系統(tǒng)振動動力學模型
3.2.2 柴油機振動信號特性分析
3.3 雙樹復小波包仿真信號分析
3.3.1 階梯信號的平移不變性測試
3.3.2 小波包分解頻率混疊測試
3.4 雙樹復小波包自適應鄰域分塊閾值降噪方法
3.4.1 分塊閾值降噪
3.4.2 自適應分塊閾值降噪方法
3.4.3 計算機仿真信號分析
3.5 柴油機缸蓋振動信號降噪實例
3.6 本章小結
第4章 基于雙樹復小波包的柴油機故障特征提取
4.1 基于雙樹復小波包的時域特征提取
4.1.1 振動信號的統(tǒng)計特征參數(shù)
4.1.2 多分辨率：Hilbert包絡熵
4.2 基于雙樹復小波包的頻域特征提取
4.2.1 歸一化相對能量特征
4.2.2 基于互熵的相對能量特征評價指標
4.2.3 實測信號分析
4.3 基于雙樹復小波包的時頻域特征提取
4.3.1 雙樹復小波包時頻分布
4.3.2 奇異值分解和奇異譜分析
4.3.3 實測信號分析
4.4 基于雙樹復小波包變換的特征參數(shù)集提取過程
4.5 本章小結
第5章 單類支持向量機
5.1 支持向量機理論
5.1.1 分類超平面
5.1.2 支持向量機
5.2 單類支持向量機模型
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)設置與優(yōu)化分析
5.3 單類支持向量機模型理論分析
5.3.1 兩種單類支持向量機模型的區(qū)別和聯(lián)系
5.3.2 模型局限性分析
5.3.3 模型性能評價指標
5.4 單類支持向量機研究進展
5.5 本章小結
第6章 基于單類支持向量機的柴油機異常檢測模型研究
6.1 最大間隔超球分類器異常檢測模型
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模型的建立
6.1.3 模型參數(shù)分析
6.1.4 實例分析與應用
6.2 基于貝葉斯的三層閾值異常檢測模型
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 實測信號分析
6.3 基于多核映射的支持向量異常檢測模型
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 柴油機實測信號應用
6.4 本章小結
第7章 基于粒子群的異常檢測模型多目標優(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 標準微粒群算法的局限性
7.2 自適應混沌雙粒子群優(yōu)化
7.2.1 雙種群協(xié)同進化
7.2.2 混沌變異全局搜索種群
7.2.3 自適應鄰域局部搜索種群
7.2.4 仿真對比測試
7.3 基于粒子群的柴油機異常檢測多目標優(yōu)化
7.3.1 非支配排序微粒群多目標優(yōu)化
7.3.2 數(shù)據(jù)分析與驗證
7.4 本章小結
第8章 柴油機異常檢測動態(tài)更新與故障類型識別
8.1 柴油機異常檢測模型的動態(tài)更新
8.1.1 異常檢測模型增量學習與KKT條件
8.1.2 新增樣本對支持向量集的影響分析
8.1.3 異常檢測模型更新法則
8.1.4 異常檢測模型增量式SMO快速訓練算法
8.1.5 柴油機在線檢測性能分析
8.2 柴油機在線檢測動態(tài)多故障類型識別方法
8.2.1 動態(tài)多故障識別模型的建立
8.2.2 測試樣本點與各超球體的位置關系分析
8.2.3 柴油機多故障診斷應用
8.3 本章小結
參考文獻