發(fā)動機現(xiàn)代診斷技術

第1章 緒論
1.1 發(fā)動機故障診斷的意義
1.2 發(fā)動機的故障及原因
1.3 發(fā)動機狀態(tài)監(jiān)測與診斷方法
1.4 傳感器信號處理
1.4.1 實驗信號采集系統(tǒng)
1.4.2 特征信號提取方法
　1.5 發(fā)動機故障診斷方法綜述
1.5.1 基于振動信號的診斷方法
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 神經網絡在發(fā)動機監(jiān)測診斷中的應用
1.5.6 信息融合概述
第2章 神經網絡基礎理論研究
2.1 神經網絡的定義
2.2 神經網絡基本原理
　2.2.1 人工神經元模型
　 2.2.2 神經網絡的拓撲結構
　 2.2.3 神經網絡的學習
　 2.2.4 典型結構的神經網絡模型
　2.3 故障診斷模型與算法設計
2.3.1 基于神經網絡的故障診斷模型建模技術
2.3.2 BP神經網絡
2.3.3 徑向基函數神經網絡
2.3.4 ART網絡
第3章 基于遺傳算法的監(jiān)測與診斷研究
　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)計特性
　　3.2.3 基于信息熵的自適應遺傳算法
　3.3 基于遺傳算法與神經網絡的氣缸壓力識別研究
　3.3.1 氣缸壓力識別基本原理
　 3.3.2 不同工況下的氣缸壓力識別
　 3.3.3 利用缸蓋表面振動信號識別氣缸壓力的誤差分析
　3.4 遺傳編程在最佳診斷表達式中的應用
　 3.4.1 遺傳編程
　 3.4.2 遺傳編程實例
第4章 小波分析在發(fā)動機信號處理中的應用
　4.1 小波分析的基本理論
　4.1.1 短時傅里葉變換
　 4.1.2 小波變換的定義
　 4.1.3 小波變換的特點
　 4.1.4 二進小波變換
　 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 小波包改進算法
　4.2 發(fā)動機振動信號特性研究
　4.2.1 實驗工況
　 4.2.2 缸蓋激勵源特性和振動響應信號特性研究
　4.3 小波分析與神經網絡在發(fā)動機故障診斷中的應用研究
　4.3.1 缸蓋振動信號的二進小波變換
　 4.3.2 能量百分比
　 4.3.3 基于BP網絡的氣閥機構故障診斷
　 4.3.4 ART網絡在氣閥機構故障診斷中的應用
　4.4 基于小波包分解和模糊C均值聚類的柴油機氣閥機構故障診斷
4.4.1 實驗工況
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均值聚的氣閥機構故障診斷的應用
第5章　基于信息融合的發(fā)動機故障診斷
第6章　分形及混沌在發(fā)動機診斷中的應用
參考文獻