發(fā)動(dòng)機(jī)現(xiàn)代診斷技術(shù)

第1章 緒論
1.1 發(fā)動(dòng)機(jī)故障診斷的意義
1.2 發(fā)動(dòng)機(jī)的故障及原因
1.3 發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)與診斷方法
1.4 傳感器信號(hào)處理
1.4.1 實(shí)驗(yàn)信號(hào)采集系統(tǒng)
1.4.2 特征信號(hào)提取方法
　1.5 發(fā)動(dòng)機(jī)故障診斷方法綜述
1.5.1 基于振動(dòng)信號(hào)的診斷方法
1.5.2 基于遺傳算法的診斷方法
1.5.3 基于小波分析的特征提取與診斷方法
1.5.4 基于分形及混沌的診斷方法
1.5.5 神經(jīng)網(wǎng)絡(luò)在發(fā)動(dòng)機(jī)監(jiān)測(cè)診斷中的應(yīng)用
1.5.6 信息融合概述
第2章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論研究
2.1 神經(jīng)網(wǎng)絡(luò)的定義
2.2 神經(jīng)網(wǎng)絡(luò)基本原理
　2.2.1 人工神經(jīng)元模型
　 2.2.2 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
　 2.2.3 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)
　 2.2.4 典型結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型
　2.3 故障診斷模型與算法設(shè)計(jì)
2.3.1 基于神經(jīng)網(wǎng)絡(luò)的故障診斷模型建模技術(shù)
2.3.2 BP神經(jīng)網(wǎng)絡(luò)
2.3.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
2.3.4 ART網(wǎng)絡(luò)
第3章 基于遺傳算法的監(jiān)測(cè)與診斷研究
　3.1 遺傳算法的基本理論
　3.2 遺傳算法的性能分析及改進(jìn)算法
　　3.2.1 遺傳算法的群體多樣性分析
　 3.2.2 遺傳算法的統(tǒng)計(jì)特性
　　3.2.3 基于信息熵的自適應(yīng)遺傳算法
　3.3 基于遺傳算法與神經(jīng)網(wǎng)絡(luò)的氣缸壓力識(shí)別研究
　3.3.1 氣缸壓力識(shí)別基本原理
　 3.3.2 不同工況下的氣缸壓力識(shí)別
　 3.3.3 利用缸蓋表面振動(dòng)信號(hào)識(shí)別氣缸壓力的誤差分析
　3.4 遺傳編程在最佳診斷表達(dá)式中的應(yīng)用
　 3.4.1 遺傳編程
　 3.4.2 遺傳編程實(shí)例
第4章 小波分析在發(fā)動(dòng)機(jī)信號(hào)處理中的應(yīng)用
　4.1 小波分析的基本理論
　4.1.1 短時(shí)傅里葉變換
　 4.1.2 小波變換的定義
　 4.1.3 小波變換的特點(diǎn)
　 4.1.4 二進(jìn)小波變換
　 4.1.5 小波包及小波包分解
　 4.1.6 小波包變換基本原理
　 4.1.7 小波包改進(jìn)算法
　4.2 發(fā)動(dòng)機(jī)振動(dòng)信號(hào)特性研究
　4.2.1 實(shí)驗(yàn)工況
　 4.2.2 缸蓋激勵(lì)源特性和振動(dòng)響應(yīng)信號(hào)特性研究
　4.3 小波分析與神經(jīng)網(wǎng)絡(luò)在發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用研究
　4.3.1 缸蓋振動(dòng)信號(hào)的二進(jìn)小波變換
　 4.3.2 能量百分比
　 4.3.3 基于BP網(wǎng)絡(luò)的氣閥機(jī)構(gòu)故障診斷
　 4.3.4 ART網(wǎng)絡(luò)在氣閥機(jī)構(gòu)故障診斷中的應(yīng)用
　4.4 基于小波包分解和模糊C均值聚類的柴油機(jī)氣閥機(jī)構(gòu)故障診斷
4.4.1 實(shí)驗(yàn)工況
4.4.2 小波包分解及診斷特征量的提取
4.4.3 模糊C均值聚類
　　4.4.4　小波包分解和模糊C均值聚的氣閥機(jī)構(gòu)故障診斷的應(yīng)用
第5章　基于信息融合的發(fā)動(dòng)機(jī)故障診斷
第6章　分形及混沌在發(fā)動(dòng)機(jī)診斷中的應(yīng)用
參考文獻(xiàn)