声明
摘要
第一章 绪论
1.1 课题的研究背景及意义
1.1.1 课题来源
1.1.2 课题的背景及意义
1.2 汽车起重机状态监控及智能诊断技术国内外研究现状
1.2.1 汽车起重机概况
1.2.2 工程机械状态监控及智能诊断现状
1.3 基于数据驱动的状态监控及故障诊断研究现状
1.3.1 信号降噪技术
1.3.2 特征生成与降维
1.3.3 智能诊断技术
1.4 本文研究内容及技术路线
1.4.1 问题的提出
1.4.2 研究内容和技术路线
1.5 论文内容安排
第二章 小波去噪合理分解层数确定方法
2.1 引言
2.2 小波变换去相关性和bootstrap采样
2.2.1 小波变换的去相关性
2.2.2 Bootstrap重采样原理
2.2.3 Block bootstrap重采样方法
2.2.4 最优块长的确定
2.3 基于合理分解层数的小波去噪
2.3.1 基于小波的块bootstrap过程
2.3.2 白噪声检验
2.3.3 基于小样本的白化检验
2.3.4 白化检验去噪算法
2.4 实验验证
2.4.1 仿真实验
2.4.2 轴承数据实验
2.4.3 进一步讨论
2.5 本章小结
第三章 基于多假设检验的小波去噪阈值确定方法
3.1 引言
3.2 假阳性率概念
3.3 改进的FDR控制过程
3.3.1 FDR控制的实现
3.3.2 原假设数目的估计
3.3.3 改进的FDR过程
3.4 基于AFDR的小波去噪
3.5 实验验证
3.5.1 仿真实验
3.5.2 轴承数据实验
3.5.3 进一步讨论
3.6 本章小结
第四章 基于小波leaders的多重分形特征提取方法
4.1 引言
4.2 小波leaders介绍
4.3 基于小波leaders的多重分形特征提取
4.4 相关量的选取
4.4.1 母小波的选择
4.4.2 多分辨量矩阶数范围的选择
4.4.3 回归尺度选择
4.4.4 诊断模型选择
4.5 模拟信号检验小波leaders提取多重分形特征
4.5.1 “devil staircase”函数的多重分形分析
4.5.2 模拟振动信号多重分形分析
4.6 基于小波leaders特征滚动轴承故障诊断实验
4.6.1 实验条件
4.6.2 多重分形特征提取相关量的选取
4.6.3 多重分形特征的分类性能
4.6.4 多重分形和其它特征组合的分类性能
4.7 本章小结
第五章 基于PSO-RVM和基于ANT-SVDD聚类的诊断模型
5.1 引言
5.2 基于PSO-RVM的智能诊断模型
5.2.1 RVM分类
5.2.2 基于粒子群的RVM参数优化
5.2.3 基于PSO-RVM的诊断模型
5.3 基于PSO-RVM模型的滚动轴承故障诊断实验
5.3.1 实验装置
5.3.2 实验数据描述
5.3.3 模型初始参数设置
5.3.4 实验结果与分析
5.4 基于Ant-SVDD和聚类的新增类故障诊断模型
5.4.1 SYDD算法
5.4.2 基于蚁群的SVDD参数优化方法
5.4.3 基于DBI的K均值聚类方法
5.4.4 新增类智能诊断模型
5.5 新增类故障诊断模型实验验证
5.5.1 实验数据描述
5.5.2 模型初始参数设置
5.5.3 实验结果与分析
5.6 本章小结
第六章 起重机智能维护系统设计及关键技术应用
6.1 引言
6.2 汽车起重机智能维护系统设计
6.2.1 系统总体架构
6.2.2 系统数据库总体设计
6.3 汽车起重机主泵故障机理分析及振动数据采集
6.3.1 汽车起重机主泵故障机理分析
6.3.2 柱塞泵试验台及传感器的布置
6.3.3 起重机主泵振动数据采集
6.4 小波信号去噪技术在主泵状态监控中的应用
6.4.1 汽车起重机主泵正常状态的振动分析
6.4.2 汽车起重机主泵柱塞磨损故障的振动分析
6.5 汽车起重机主泵PSO-RVM智能诊断方法应用
6.5.1 基于小波包能量特征的汽车起重机主泵PSO-RVM故障诊断
6.5.2 基于小波leaders特征与时域特征的汽车起重机主泵PSO-RVM故障诊断
6.6 基于Ant-SVDD和聚类的汽车起重机主泵新增类故障诊断
6.6.1 数据描述
6.6.2 模型初始参数设置
6.6.3 诊断结果与分析
6.7 起重机主泵智能维护关键技术软件集成应用
6.8 本章小结
第七章 总结与展望
7.1 全文研究总结
7.2 主要创新点
7.3 研究展望
参考文献
致谢
攻读博士学位期间的主要研究成果