一、基于神经网络的柴油机故障诊断（论文文献综述）
赵志坚[1]（2021）在《柴油机气门间隙异常和失火故障智能诊断方法研究》文中认为
高家宝[2]（2021）在《基于跨点频响的柴油机关键部件故障诊断研究》文中指出复杂柴油机系统作为车、船的主要动力来源,是车船动力推进系统的最重要的组成部分。柴油机系统的可靠性对于车、船设备的正常运行起着尤为关键的作用,而柴油机系统又由多个子系统和各个关键部件组成,因此柴油机关键机构部件的可靠性尤为重要,所以对柴油机关键部件进行可靠有效的故障识别十分必要。本文采用针对复杂机械结构特征提取技术、静动信息融合技术和模式识别技术对柴油机关键部件进行故障识别。首先对复杂柴油机系统的结构及其关键部件的结构组成、工作原理和其对应的容易发生的故障类型做出详细的阐述和深入研究。然后针对潍柴动力生产的WP10H350E62型6缸柴油机进行测点布置,并开展了柴油机运行状态下的动态振动响应实验和静止状态下的跨点频响实验,采集相应的静态信息和动态信息,然后重点对静态信息、动态信息和静动融合信息分别进行信号处理和分析。针对动态信息的原始信号,本文采用集合经验模态分解对原始信号进行自适应分解,对分解后的IMF分量进行相关系数和幅值能量计算,根据两个参数的对比选取最优的5个IMF进行重构以完成对原始信号的降噪。接着提取5个最优分量的排列熵组成特征向量作为动态特征,实现动态信息的特征提取。针对跨点频响实验采集的静态信息,然后计算其频响函数,为提高频带分辨率对频响函数进行小波包分解,将分解后子频带的小波包能量作为静态信息的特征。最终,运用灰狼算法优化的支持向量机对静态信息和动态信息分别进行故障识别,并且对比支持向量机和粒子群优化的支持向量机的分类结果来证明灰狼优化的支持向量机在针对本研究数据进行识别可以得到更高的识别率。静态信息和动态信息的故障识别结果都是单一类型的信号,为了全面反应柴油机关键部件的状态信息,本文利用信息融合技术对静态信息和动态信息进行静动信息融合。根据实验原始信号的特点以及各层信息融合的优缺点,最终选择对静态信息和动态信进行特征级信息融合。利用局部线性嵌入将动态特征和静态特征融合后得到静动信息特征,并对其进行分类识别,得到静动信息融合后的故障识别结果。根据分类结果表明:本文提出的基于跨点频响和静动信息融合的方法对复杂柴油机系统的关键部件故障分类识别结果高达97.5%,较传统振动响应信号的分类结果和单一静态跨点频响信号的分类结果准确率更高。由此可见,本文的基于跨点频响和静动信息融合的柴油机系统关键部件故障识别的可行性和有效性,为柴油机系统故障诊断和其他复杂机械结构的故障诊断提供了一种新的诊断方法和思路。
刘原宾[3]（2021）在《柴油机燃油系统的故障诊断与健康管理》文中进行了进一步梳理柴油机是当下最普遍使用的动力机械之一,被广泛应用于铁路牵引、油井钻探、船舶、汽车等机械领域。由于柴油机结构复杂,柴油机故障往往表现出繁杂性和多样性的特点。燃油系统对于柴油机的运行至关重要,在很大程度上决定了柴油机的经济性和可靠性,然而燃油系统故障率较高,在柴油机的故障当中大约有27%是由燃油系统故障引发的。因此,快速高效的对燃油系统进行故障诊断具有重要的意义。本文结合小波技术和神经网络技术,开发了柴油机燃油系统故障诊断系统。具体工作如下:通过查阅文献和整理厂方燃油系统故障数据,总结归纳了燃油系统常见故障发生的原因及排除故障的方法,作为健康管理模块的技术库。使用外夹式压力传感器间接获取柴油机高压油管的油压波形,为后续的诊断系统提供数据支持。研究小波分析的基础理论和方法,借助小波阈值去噪技术去除油压波形的机械噪声。同时结合油压波形的特点,通过大量实验对比了两种信号特征提取方案:（1）利用小波包频带分析技术把油压信号分解到不同的频带,并对油压信号各个频带的信号能量进行统计分析,以此区分燃油系统不同的故障。（2）油压波形中含有丰富的状态信息,提取燃油压力波形中的波形宽度、波形幅度、最大压力、起喷压力等数据作为特征参数,实验表明,此方法操作简单,提取的故障特征信息丰富,更适宜于作为神经网络的输入向量。研发了基于神经网络的燃油系统故障诊断方法,并利用实验对比不同神经网络模型的优缺点和诊断精度。通过SOM神经网络对故障数据进行无监督学习,可以有效对不同故障进行模式识别且诊断速度快。实验对比SOM和BP神经网络模型,结果表明BP神经网络满足精度要求,但容易陷入局部最优。开发SOM-BP串联神经网络模型用于燃油系统故障诊断,实验表明SOM-BP串联神经网络模型弥补了单一神经网络的缺点,且诊断精度大幅提高。开发燃油系统故障诊断系统。将燃油系统常见故障原因及解决方法、小波去噪技术、SOM-BP串联神经网络模型应用到故障诊断系统中,使用MATLAB软件中的GUI模块完成系统的开发。柴油机故障诊断系统可以实现数据的导入、小波阈值去噪、故障诊断的功能,并建立健康管理模块可随时查看故障原因及解决方案。
秦一斐[4]（2021）在《船用柴油机故障仿真与诊断方法研究》文中指出船用柴油机作为船舶主要动力来源,其运行状态直接关系到船舶营运及人员的生命财产安全。为此,开展船用柴油机故障诊断的算法研究具有一定的理论意义和应用价值。随着智能算法研究的不断发展,利用神经网络对船用柴油机进行故障诊断是船舶智能化诊断的重要一环。本文利用基于混合蛙跳算法的和声搜索算法优化径向基神经网络对船用柴油机的故障识别过程进行研究。对于故障信息采集方面,对4135型非增压船用柴油机进行研究工作,利用GT-power对其进行仿真,通过比较仿真数据和台架数据的差异,多角度深层次的评价模型的各项指标。分析船用柴油机的典型故障,设计了船用柴油机故障仿真方案,选取了压缩比下降、单缸供油量增加、单缸供油量减少、单缸断油4种故障和1种正常状态,设计方案进行仿真计算,选取了最大爆发压力、最大压力升高率、有效功率、平均有效压力、油耗率、排气温度等6个参数作为故障诊断的特征参数,并对故障仿真的结果进行合理性分析,构建神经网络故障样本集。在船用柴油机故障诊断模型方面,由于径向基神经网络其隐藏层网络参数对网络结构影响很大且难以优化,选用一种群体智能算法和声搜索算法进行优化,同时引入混合蛙跳算法,利用跳跃重组的更新策略对最差个体进行扰动,从而选取出最优的和声向量更新和声记忆库,并建立基于混合蛙跳算法的和声搜索算法优化RBF神经网络用于船用柴油机故障诊断,分析比较算法优化前后的特性和效果,结果表明,该算法对船用柴油机故障诊断具有良好的分类效果,能准确识别故障。
秦一斐,张德福[5]（2021）在《船用柴油机故障诊断方法的现状分析与展望》文中认为船用柴油机故障诊断对船舶航行和人员安全至关重要。本文介绍了船用柴油机的基本组成以及诊断方法和研究现状,并对船用柴油机故障诊断存在问题进行分析、对发展前景进行展望。
章志浩[6]（2020）在《基于局部回归神经网络的柴油机燃油喷射系统故障诊断研究》文中指出航运是国际主流的运输方式,柴油机是船舶的主要动力来源。柴油机燃油喷射系统作为船用柴油机重要组成部分,有必要对它的故障诊断技术进行深入研究。目前已应用的柴油机燃油喷射系统故障诊断方法往往存在缺陷和不足。例如油液分析法仅能判断使用润滑油的部件的相关故障、振动分析法信号采集困难、瞬时转速监测法只能确定故障位置但无法判断故障原因。神经网络拥有强大的并行计算能力,可以将输入向量迅速传递至神经元中进行计算和学习,其网络结构适用于解决线性空间至非线性空间的映射问题,在机械故障诊断方面表现优异。因此,本文采用将自适应遗传算法和神经网络结合的方法对柴油机燃油喷射系统进行故障诊断。在网络模型的选取方面,BP神经网络是一种多层前向模型学习算法,在结构上较为松散,有着诊断不精确、容易陷入局部极值的缺点。Elman神经网络作为一种局部回归神经网络,引入了负反馈机制,网络结构更加完整,诊断精度和速度比BP神经网络均有提高。同时,通过改进Elman神经网络的学习算法、激励函数和网络结构提高了Elman神经网络动态信息处理能力。结果表明,改进型Elman神经网络适用于在线诊断,整体诊断效果比BP神经网络更好。对遗传算法（GA）进行了详细研究,考虑到遗传算法容易陷入局部极值和鲁棒性差的缺点,提出了一种自适应遗传算法,对选择算子、变异算子和交叉算子进行了改进,有效避免了算法陷入局部最小值。利用个体适应度自适应调节遗传算法中的算子,将参数优化结果作为神经网络中的初始权值和阈值,提高了 Elman神经网络的诊断精度,避免了陷入局部最小值的情况。采用大连海事大学轮机模拟器主机系统中的VLCC型船舶进行参数提取,针对实验数据较多的情况,利用平均影响值法（MIV）剔除部分对网络输出影响较小的参数,减少了神经网络输入量,并在MATLAB环境下对船舶柴油机燃油喷射系统进行了故障仿真实验。对比三种神经网络在相同故障数据下对故障类型的辨识结果,从隶属度和诊断结果两方面对结果评价。仿真实验的结果表明:经过改进遗传算法优化的Elman神经网络诊断精度高,收敛速度快,可以有效诊断柴油机燃油喷射系统典型故障。
刘嘉蒙[7]（2020）在《基于信号特征分析的柴油机故障诊断方法研究》文中研究说明作为生产和生活的动力支持,柴油机一直作为核心部件工作在车辆、舰船、电力等各个领域,是当前推动国家发展的重要支持。柴油机工作过程中,环境往往复杂多变,运行过程中会受到各种未知因素的干扰,运行过程中一旦发生故障,可能会对生活生产造成影响。出现故障时,轻则延缓工作进程、降低效率,重则可能造成机组损毁,甚至伤及现场工作人员。对柴油机的故障诊断进行研究,保障柴油机工作过程中的良好稳定运行,有助于在出现故障的时候能够迅速做出诊断,从而为后期工作铺垫,保障生活生产的顺利进行,维持安全可靠性。因此,对柴油机故障诊断进行研究具有重要的意义。本文以柴油发动机为研究对象,在对常见故障的研究基础上,以提高故障诊断准确率为工作目标,结合故障诊断的实际应用,提出了有效的柴油机故障诊断方法,改善了故障诊断技术,并利用相关故障模拟实验和实际工程故障案例进行验证。本文的主要研究内容包含以下部分:首先,针对运行环境工况变化,结合故障诊断中测试训练数据分布特点,开展变工况下故障特征提取方法研究。提出一种基于领域对抗网络的故障特征提取方法,建立了领域对抗网络模型,提高了训练与测试数据不受工况环境变化影响的分析处理能力,降低了数据来源对诊断结果的影响,实现了与训练集样本差距较大情况下的故障特征提取过程,并通过故障模拟实验对提出方法进行了验证。其次,结合概率图模型原理和故障诊断技术,开展柴油机故障概率推理方法研究。针对三种柴油机常见故障类型,建立了多层网络的故障概率诊断模型,通过对信号和机组零部件寿命状态的分析,实现对潜在故障发生可能性的概率推理。对诊断网络框架进行了设计,确定了故障类型与信号特征的网络节点对应关系,并通过模拟实验对提出方法进行了验证。最后,基于故障特征和柴油机的结构特性研究结果,开展柴油机缸内失火故障诊断方法研究。提出了一种基于多信号特征的柴油机故障诊断方法,建立了失火故障诊断网络,确定了缸头节点与信号成分节点的多状态对应关系,降低了诊断模型参数设置的复杂度,实现了结合辅助推理的故障诊断,通过多工况失火故障实验对提出方法的诊断稳定性进行了验证。本文对柴油机故障诊断进行了研究,提出了故障诊断新方式,扩宽了柴油机故障诊断研究思路,为柴油机的良好工作运行提供了保障,在实际工程运用上具有重要的意义。
赖岳华[8]（2020）在《变工况下柴油机故障在线监测与维修决策优化方法研究与应用》文中研究指明柴油机是众多重要装备的动力核心,在发电机组、国防装备、船舶动力和工程机械等领域发挥着重要作用。然而,恶劣的使用环境和复杂的系统结构使得柴油机故障频发,不但影响柴油机使用,还可能造成严重经济损失,甚至威胁工作人员的人身安全。目前广泛应用的故障在线监测方法效果有限,维修策略相对落后,已经越来越无法满足现代化装备生产的实际需求。同时,根据柴油机变工况使用要求需不断切换运行于多种稳定转速和负荷的状态,会对在线监测诊断故障造成较大困难。因此,依托信号处理、机器学习和深度学习等技术开展变工况下柴油机故障早期预警、诊断与维修决策优化方法的研究与应用,为设备维修提供基于状态的优化决策,对提高柴油机的安全性、可用性以及经济效益具有极其重要的意义和价值。本文以柴油机为研究对象,以实现变工况下的故障在线监测与维修决策优化为目标,从信号特征的提取与选择研究出发,对工况识别方法进行研究,进而开展变工况下的故障在线监测和维修决策优化方法研究,并利用实验数据和工程案例进行方法验证。论文的主要研究内容如下:首先,基于柴油机振动信号特点开展特征提取与选择方法研究。对非线性、非平稳振动信号进行多域特征研究,并通过构建特征组合的重要度、维度和冗余度指标,提出基于多目标优化的特征选择方法,为工况特征和故障特征的提取与选择奠定基础。其次,针对复杂多变的柴油机运行工况,基于变工况下的振动信号特点开展工况识别方法研究。在仅有少量样本情况下,基于变分模态分解进行信号分解和多域信号特征提取,提出结合多域特征和线性判别分析的工况识别方法;对基于一维卷积神经网络的振动信号局部特征提取进行研究以优化工况识别模型参数,研究自适应dropout方法对网络结构进行剪枝,结合长短时记忆网络对局部信号特征进行时序描述,在大量样本情况下,提出基于一维卷积长短时记忆网络的工况识别方法,实现端到端的高效率高精度工况识别。工况识别方法经过实验和工程实例验证,效果良好。接着,在工况识别基础上,在缺乏故障数据条件下,开展柴油机异常预警方法研究。结合振动信号图像转化进行数据增强,然后基于生成对抗网络对柴油机正常状态对应的潜在空间进行建模,并结合自编码网络实现振动信号到潜在空间的映射建模,最后以潜在空间特征和判别器信号特征为基础进行样本异常程度评估,提出基于生成对抗网络和自编码网络的异常检测方法,并通过实验和工程实例进行验证。然后,基于工况识别模型开展变工况下的故障诊断方法研究。根据气缸工况识别结果确定整机工况,进而提出自适应失火故障诊断方法。针对气门间隙异常故障,通过融合多域特征实现对故障信息的准确表征,然后结合整机工况识别模型提出变工况下基于软间隔支持向量机的故障诊断方法。进一步针对故障数据稀缺造成的数据不平衡问题,提出基于改进SMOTE的故障诊断方法,提高了数据不平衡下故障诊断模型的泛化能力。最后,结合柴油机振动信号和性能退化特点,开展基于振动状态监测的维修决策优化方法研究。从振动信号中提取退化特征并结合历史维修次数和负荷对柴油机性能退化过程进行建模,并进一步利用威布尔分布描述柴油机的故障率变化过程,建立可以评估柴油机实时故障率的威布尔比例风险模型,最后以可用度最大为目标对维修决策进行优化,提出基于振动状态监测的维修决策优化方法。
陈鲲[9]（2020）在《基于自编码器深度特征提取的柴油发动机异常检测与故障诊断技术研究》文中指出柴油发动机能够为多种机械装备提供运行动力,在工业、船舶、电力、军工等多个领域都被普遍配备并使用。但是由于柴油发动机具有工作条件恶劣,机械结构复杂、振源多、转速高等特点,使其很容易发生零部件磨损,甚至是机械故障,对机组的健康造成威胁。由于振动信号传递路径复杂且具有强耦合性,传统的设备故障诊断方案很难在实际工业现场中取得令人满意的在线诊断结果。随着深度学习技术的发展,通过大量数据自动学习出故障特征并进行在线故障诊断成为了一种有效的解决方法。本文针对如何将深度学习引入到柴油发动机的异常检测和故障诊断领域,主要在以下几个方面开展了研究工作:（1）针对实际中故障样本缺乏,难以训练故障诊断模型的现状,本文从异常检测的角度出发,提出了一种基于一维卷积自编码器的柴油发动机异常检测算法。通过一维卷积自编码器来输出状态模型与观测模型间的误差,并通过箱线图法对误差进行评估,并确定异常检测的阈值。最后通过实验台实测数据进行了验证,结果表明了所提方法在柴油发动机异常检测上的有效性。（2）深入研究了栈式自编码器的特征提取性能,从多个评价指标上对各种特征提取方法进行对比分析,验证了通过栈式自编码器自动提取的深度特征性能上的优越性。在Dropout技巧的帮助下搭建了基于栈式自编码器的柴油发动机故障诊断模型,并通过实验结果表明了所提故障诊断方法具有比其他传统方法更高的准确率。（3）针对自编码器网络超参数的选取问题,提出了一种改进变分自编码器,通过在变分自编码器中引入和声搜索算法实现了模型超参数的自动优化。并将改进变分自编码器用于变工况下柴油发动机的故障诊断中,实验结果表明了所提改进方法相比于原始栈式自编码器在非稳定工况下有更好的表现,正确率也高于其他多种典型的故障诊断算法。（4）通过搭建柴油发动机故障模拟实验台采集了气门间隙故障数据,并通过分析振动数据得出了气门故障在振动信号上所表现出的特征。同时结合实际工程案例研究了其他柴油发动机典型故障的故障特征与相应的诊断方法。
王冠[10]（2020）在《柴油机典型故障诊断及非稳定工况评估方法研究》文中指出柴油机作为一种重要的动力机械,具有零部件多、运动复杂、工作环境恶劣等特点,其状态性能好坏将直接影响工作任务的顺利进行。一旦发生故障轻则停工停产造成经济损失,重则导致人员伤亡。因此,研究柴油机的故障诊断技术和状态评估方法,对确保柴油机工作正常具有重要意义。在柴油机的实际工作中,由于噪声干扰、工况多变,传统的特征提取和模式识别方法需要人为提取并筛选特征已经很难自适应的解决故障诊断问题。基于此,本文以柴油机为对象,针对故障数据缺乏,故障敏感特征提取不准等问题,引入卷积神经网络以自适应提取特征,数据扩增和迁移学习以弥补数据量的不足,进而研究典型故障诊断方法;此外,针对柴油机非稳定工况评估方法匮乏等问题,进行了相关评估研究,并将所提出的方法在工程实际数据上进行了验证。论文的主要内容如下:（1）研究了基于机理的数据扩增和改进的深度卷积网络的柴油机故障预警与诊断方法。首先基于故障机理特征分别生成失火和气门故障的振动图像,然后采用改进的ResNet训练并制作故障数据库,最后分别使用阈值法和SVM法进行了验证。（2）研究了基于迁移学习的柴油机故障诊断方法。首先使用预先训练的AlexNet模型,在5%～80%的数据下训练并进行故障诊断,然后与普通的CNN和EMD+SVM法对比分析验证了方法的有效性,最后通过可视化分析解释了迁移学习的合理性。（3）研究了基于灰色评价的柴油机启机评估方法。首先利用Teager算子和冲击定位自适应地捕捉启动阶段每周期各缸的高压气体冲击区域,然后提取可以表征高压空气的做功能力的特征,最后采用灰色评价法进行综合评估,并通过实际测试结果进行了验证。
二、基于神经网络的柴油机故障诊断（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于神经网络的柴油机故障诊断（论文提纲范文）
（2）基于跨点频响的柴油机关键部件故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 柴油机故障诊断研究现状分析 |
| 1.2.2 频响特性研究现状 |
| 1.2.3 信息融合研究现状 |
| 1.3 论文的主要研究内容以及各章节安排 |
| 2 柴油机系统结构组成和常见故障分析 |
| 2.1 柴油机的基本结构和常见故障分析 |
| 2.1.1 柴油机的基本结构 |
| 2.1.2 柴油机关键部件常见的故障分析 |
| 2.2 水泵的结构组成与常见故障分析 |
| 2.3 本章小结 |
| 3 柴油机故障诊断系统实验 |
| 3.1 柴油机关键部件测点布置 |
| 3.2 动态测试实验 |
| 3.3 静态频响实验 |
| 3.3.1 跨点频响振动测试系统的组成 |
| 3.3.2 跨点频响振动测试试验 |
| 3.4 本章小结 |
| 4 柴油机动态信号特征提取方法 |
| 4.1 基于EEMD的柴油机振动信号降噪 |
| 4.1.1 EMD与 EEMD |
| 4.1.2 EEMD降噪 |
| 4.1.3 柴油机系统信号降噪处理 |
| 4.2 信息熵 |
| 4.2.1 近似熵 |
| 4.2.2 排列熵 |
| 4.3 动态信息的特征提取 |
| 4.4 本章小结 |
| 5 跨点频响信号特征提取方法 |
| 5.1 跨点频响函数及相干函数 |
| 5.1.1 跨点频响函数 |
| 5.1.2 相干函数 |
| 5.2 基于频响函数的特征提取方法 |
| 5.2.1 频响函数的频域特征 |
| 5.2.2 基于跨点频响的小波包能量特征提取 |
| 5.3 特征提取 |
| 5.4 本章小结 |
| 6 基于GWO-SVM的柴油机关键部件故障识别 |
| 6.1 基于优化算法的支持向量机 |
| 6.1.1 支持向量机(SVM) |
| 6.1.2 支持向量机的优化算法理论介绍 |
| 6.2 基于GWO-SVM的动态信息分类识别 |
| 6.3 基于GWO-SVM的静态信息分类识别 |
| 6.4 本章小结 |
| 7 基于静动信息融合的柴油机部件故障识别 |
| 7.1 基于信息融合方法的故障诊断研究 |
| 7.1.1 信息融合的阶段和层次结构 |
| 7.1.2 特征融合方法 |
| 7.2 局部线性嵌入(LLE) |
| 7.2.1 LLE算法推导过程 |
| 7.2.2 LLE降维算法流程 |
| 7.3 静动信息融合的故障识别 |
| 7.4 本章小结 |
| 8 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（3）柴油机燃油系统的故障诊断与健康管理（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 柴油机故障诊断技术的理论和方法 |
| 1.2.1 故障诊断技术简要理论 |
| 1.2.2 柴油机故障诊断方法 |
| 1.3 故障诊断技术的国内外研究现状及发展趋势 |
| 1.3.1 国内外研究现状 |
| 1.3.2 发展趋势 |
| 1.4 本文的研究内容 |
| 1.5 本章小结 |
| 2 柴油机燃油系统故障 |
| 2.1 柴油机燃油系统常见故障 |
| 2.1.1 供油量不足 |
| 2.1.2 针阀泄漏 |
| 2.1.3 出油阀失效 |
| 2.1.4 针阀卡死 |
| 2.2 解决方案 |
| 2.3 本章小结 |
| 3 燃油系统故障特征参数的提取 |
| 3.1 小波分析基础 |
| 3.1.1 小波分析的定义 |
| 3.1.2 连续小波变换 |
| 3.1.3 离散小波变换 |
| 3.1.4 多分辨率分析 |
| 3.1.5 小波包理论 |
| 3.1.6 小波阈值去噪 |
| 3.2 小波阈值去噪的MATLAB实现 |
| 3.3 利用小波包进行故障特征参数提取 |
| 3.3.1 频带分析技术 |
| 3.3.2 小波包频带分析技术的应用 |
| 3.4 利用燃油压力波形进行故障特征参数提取 |
| 3.4.1 压力波的测量 |
| 3.4.2 压力波的测量部位 |
| 3.4.3 燃油压力波性特征提取 |
| 3.4.4 故障样本数据 |
| 3.5 故障特征参数提取方案对比 |
| 3.6 本章小结 |
| 4 基于SOM神经网络的故障诊断 |
| 4.1 SOM神经网络 |
| 4.1.1 SOM神经网络结构 |
| 4.1.2 SOM神经网络的学习算法 |
| 4.2 SOM神经网络的故障诊断 |
| 4.2.1 网络样本设计 |
| 4.2.2 网络设计 |
| 4.2.3 网络训练与测试 |
| 4.3 本章小结 |
| 5 基于BP神经网络的故障诊断 |
| 5.1 BP神经网络 |
| 5.1.1 BP神经网络的结构 |
| 5.1.2 BP神经网络的学习算法 |
| 5.1.3 BP神经网络的设计 |
| 5.2 BP神经网络的故障诊断 |
| 5.2.1 创建故障类型编码 |
| 5.2.2 BP神经网络建立 |
| 5.2.3 BP神经网络训练与测试 |
| 5.2.4 诊断结果分析 |
| 5.3 本章小结 |
| 6 基于SOM-BP神经网络的故障诊断系统开发 |
| 6.1 SOM-BP串联神经网络的优点及可行性 |
| 6.2 SOM-BP神经网络训练和测试 |
| 6.3 GUI用户界面开发 |
| 6.4 诊断系统界面 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
（4）船用柴油机故障仿真与诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 船用柴油机故障诊断的常见方法 |
| 1.3 国内外的研究现状及发展趋势 |
| 1.4 本文的主要研究内容 |
| 第二章 柴油机仿真理论基础 |
| 2.1 GT-suite软件简介 |
| 2.2 缸内燃烧工作过程 |
| 2.3 缸内传热工作过程 |
| 2.4 流体工作过程 |
| 2.5 本章小结 |
| 第三章 船用柴油机模型搭建与验证 |
| 3.1 试验样机 |
| 3.2 整机模型搭建 |
| 3.2.1 系统边界条件设置 |
| 3.2.2 进排气系统设置 |
| 3.2.3 喷油器设置 |
| 3.2.4 气缸参数配置 |
| 3.2.5 曲轴箱参数设置 |
| 3.2.6 整机模型搭建 |
| 3.3 整机模型的验证 |
| 3.4 本章小结 |
| 第四章 神经网络样本数据的获取 |
| 4.1 热工参数选取 |
| 4.2 故障仿真方案 |
| 4.3 压缩比故障仿真 |
| 4.4 单缸供油增加故障仿真 |
| 4.5 单缸供油减少故障仿真 |
| 4.6 单缸断油故障仿真 |
| 4.7 样本数据的处理 |
| 4.8 本章小结 |
| 第五章 基于SFLA的HS算法优化RBF神经网络故障诊断 |
| 5.1 RBF神经网络故障诊断 |
| 5.1.1 RBF神经网络的基本原理 |
| 5.1.2 RBF神经网络故障诊断的基本流程 |
| 5.1.3 RBF神经网络故障诊断 |
| 5.2 HS算法优化RBF神经网络故障诊断 |
| 5.2.1 HS算法的基本原理 |
| 5.2.2 HS算法优化RBF神经网络的基本流程 |
| 5.2.3 HS算法优化RBF神经网络的故障诊断 |
| 5.3 基于SFLA的 HS算法优化RBF神经网络故障诊断 |
| 5.3.1 SFLA算法的基本原理 |
| 5.3.2 基于SFLA的HS算法优化RBF神经网络的流程 |
| 5.3.3 基于SFLA的HS算法优化RBF神经网络故障诊断 |
| 5.4 算法比对 |
| 5.5 本章小结 |
| 第六章 全文总结与工作展望 |
| 6.1 全文总结 |
| 6.2 不足之处及工作展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（5）船用柴油机故障诊断方法的现状分析与展望（论文提纲范文）
| 0 引言 |
| 1 船用柴油机的基本组成 |
| 1.1 机体组件系统 |
| 1.2 曲柄连杆系统 |
| 1.3 进排气系统 |
| 1.4 燃油供给系统 |
| 1.5 润滑系统 |
| 1.6 冷却系统 |
| 1.7 启动系统 |
| 2 传统的故障诊断方法 |
| 3 船用柴油机故障诊断的研究现状 |
| 3.1 基于专家系统的船用柴油机故障诊断 |
| 3.2 基于神经网络的船用柴油机故障诊断 |
| 4 船舶柴油机故障诊断研究存在的问题 |
| 4.1 基于专家系统的船用柴油机故障诊断方法 |
| 4.2 基于神经网络的船用柴油机故障诊断方法 |
| 5 未来研究展望 |
| 6 总结 |
（6）基于局部回归神经网络的柴油机燃油喷射系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 柴油机燃油系统故障诊断的难点 |
| 1.4 神经网络在故障诊断中的应用 |
| 1.5 研究内容与论文结构 |
| 1.5.1 主要研究内容 |
| 1.5.2 论文结构 |
| 2 神经网络基本理论 |
| 2.1 神经网络概论 |
| 2.1.1 神经网络的产生和发展 |
| 2.1.2 神经元模型及其学习机理 |
| 2.2 BP神经网络 |
| 2.2.1 BP神经网络结构 |
| 2.2.2 BP网络学习算法 |
| 2.3 Elman神经网络 |
| 2.3.1 Elman神经网络结构 |
| 2.3.2 Elman神经网络计算流程 |
| 2.3.3 Elman网络学习算法 |
| 2.4 Elman神经网络的改进 |
| 2.4.1 学习算法的改进 |
| 2.4.2 激励函数的改进 |
| 2.4.3 网络结构的改进 |
| 2.5 本章小结 |
| 3 自适应遗传算法优化Elman神经网络 |
| 3.1 遗传算法简介 |
| 3.1.1 传统遗传算法的流程 |
| 3.1.2 传统遗传算法的缺点 |
| 3.2 自适应遗传算法 |
| 3.2.1 自适应遗传算法简介 |
| 3.2.2 选择算子的改进 |
| 3.2.3 交叉算子的改进 |
| 3.2.4 变异算子的改进 |
| 3.2.5 利用Shubert函数验证自适应遗传算法 |
| 3.3 神经网络的遗传算法优化 |
| 3.3.1 遗传算法优化Elman神经网络的必要性 |
| 3.3.2 遗传算法优化Elman神经网络的实现 |
| 3.4 本章小结 |
| 4 船舶柴油机燃油喷射系统故障诊断研究 |
| 4.1 船舶柴油机燃油喷射系统介绍 |
| 4.1.1 柴油机燃油喷射系统的分类 |
| 4.1.2 柴油机燃油喷射系统的组成 |
| 4.1.3 柴油机燃油系统的工作过程 |
| 4.1.4 柴油机燃油喷射系统部件要求 |
| 4.2 柴油机燃油喷射系统故障诊断 |
| 4.2.1 燃油喷射系统常见的几种故障 |
| 4.2.2 柴油机燃油系统故障诊断的常见方法 |
| 4.2.3 特征向量的提取及样本数据 |
| 4.2.4 变量筛选方法 |
| 4.2.5 结果分析 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 原始数据 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（7）基于信号特征分析的柴油机故障诊断方法研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 柴油机故障诊断研究概况综述 |
| 1.2.1 柴油机典型故障类型研究概况 |
| 1.2.2 柴油机故障诊断方法研究概况 |
| 1.2.3 柴油机故障信号分析研究概况 |
| 1.3 本文的主要内容及结构安排 |
| 1.4 本章小结 |
| 第二章 基于领域对抗网络的故障特征提取方法 |
| 2.1 振动信号积分处理 |
| 2.2 时域-频域变换的积分方法 |
| 2.3 基于领域对抗网络的故障特征提取方法 |
| 2.3.1 领域对抗网络诊断模型结构 |
| 2.3.2 领域对抗网络原理 |
| 2.3.3 领域对抗网络过程 |
| 2.4 基于领域对抗网络的故障特征提取实验验证 |
| 2.4.1 故障模拟实验介绍 |
| 2.4.2 故障实验过程 |
| 2.4.3 故障实验结果 |
| 2.5 本章小结 |
| 第三章 基于时域信号与Noisy-Or模型的柴油机故障诊断研究 |
| 3.1 Noisy-Or模型诊断方法 |
| 3.1.1 Noisy-Or模型建立 |
| 3.1.2 泄漏概率和先验概率的设定 |
| 3.1.3 诊断网络结构 |
| 3.2 柴油机撞缸故障诊断模型研究 |
| 3.2.1 撞缸故障诊断 |
| 3.2.2 撞缸故障诊断推理网络 |
| 3.2.3 撞缸故障实验结果 |
| 3.3 柴油机拉缸故障诊断模型研究 |
| 3.3.1 拉缸故障诊断 |
| 3.3.2 拉缸故障诊断推理网络 |
| 3.3.3 拉缸故障实验过程及结果 |
| 3.4 柴油机轴瓦磨损故障诊断模型研究 |
| 3.4.1 轴瓦磨损故障诊断 |
| 3.4.2 轴瓦磨损诊断推理网络 |
| 3.4.3 轴瓦磨损故障实验过程及结果 |
| 3.5 本章小结 |
| 第四章 基于频域信号与Noisy-Max模型的柴油机故障诊断研究 |
| 4.1 Noisy-Max模型诊断方法介绍 |
| 4.2 柴油机失火故障诊断网络 |
| 4.3 故障模拟实验 |
| 4.3.1 故障模拟实验 |
| 4.3.2 模拟实验诊断结果 |
| 4.4 多工况下失火故障诊断 |
| 4.4.1 700rpm工况失火故障模拟实验 |
| 4.4.2 1000rpm工况失火故障模拟实验 |
| 4.4.3 1200rpm工况失火故障模拟实验 |
| 4.5 本章小结 |
| 第五章 故障诊断模拟实验及工程应用 |
| 5.1 实验台介绍 |
| 5.2 试验台故障模拟实验 |
| 5.2.1 撞缸故障模拟实验 |
| 5.2.2 拉缸故障模拟实验 |
| 5.2.3 轴瓦磨损故障模拟实验 |
| 5.3 工程应用案例 |
| 5.3.1 缸内失火故障 |
| 5.3.2 齿轮断齿故障 |
| 5.3.3 柴油机海水泵齿轮断齿 |
| 5.4 柴油机故障诊断知识库 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 6.1 论文主要研究成果 |
| 6.2 研究创新点 |
| 6.3 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 |
| 北京化工大学博士研究生学位论文答辩委员会决议书 |
（8）变工况下柴油机故障在线监测与维修决策优化方法研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 变工况下柴油机故障在线监测与维修决策优化研究现状 |
| 1.2.1 柴油机振动信号提取与选择方法研究概况 |
| 1.2.2 柴油机工况识别方法研究概况 |
| 1.2.3 柴油机异常检测方法研究概况 |
| 1.2.4 柴油机故障诊断方法研究概况 |
| 1.2.5 柴油机维修决策方法研究概况 |
| 1.3 本文主要研究内容 |
| 第二章 柴油机振动信号特征提取与选择方法研究 |
| 2.1 柴油机实验台架 |
| 2.1.1 TBD234柴油机 |
| 2.1.2 测点布局 |
| 2.1.3 柴油机状态监测系统 |
| 2.2 振动信号多域特征 |
| 2.2.1 振动信号时域特征 |
| 2.2.2 振动信号角域特征 |
| 2.2.3 振动信号频域特征 |
| 2.2.4 振动信号时频域特征 |
| 2.3 特征相关性分析 |
| 2.4 基于多目标优化的特征选择方法 |
| 2.4.1 特征组合评价 |
| 2.4.2 特征选择目标函数 |
| 2.4.3 特征选择 |
| 2.5 本章小结 |
| 第三章 柴油机工况识别方法研究 |
| 3.1 柴油机的运行工况 |
| 3.2 基于多域特征和线性判别分析的工况识别方法 |
| 3.2.1 基于变分模态分解的工况特征提取 |
| 3.2.2 基于线性判别分析的工况识别方法 |
| 3.2.3 工况识别方法实验验证 |
| 3.3 基于一维卷积长短时记忆网络的工况识别方法 |
| 3.3.1 基于一维卷积神经网络的振动信号局部特征提取研究 |
| 3.3.2 自适应dropout方法研究 |
| 3.3.3 一维卷积长短时记忆网络模型 |
| 3.3.4 工况识别方法实验验证 |
| 3.4 本章小结 |
| 第四章 无故障数据下的柴油机异常预警方法研究 |
| 4.1 基于图像转化的数据增强 |
| 4.2 柴油机正常状态对应潜在空间建模 |
| 4.2.1 生成对抗网络原理 |
| 4.2.2 基于生成对抗网络的柴油机正常状态对应潜在空间建模 |
| 4.3 无故障数据下的异常检测方法 |
| 4.3.1 基于自编码网络的映射模型训练 |
| 4.3.2 基于生成对抗网络和自编码网络的异常检测方法 |
| 4.4 柴油机异常检测实例验证 |
| 4.4.1 实验数据 |
| 4.4.2 异常检测 |
| 4.5 本章小结 |
| 第五章 变工况下的柴油机故障诊断方法研究 |
| 5.1 变工况下柴油机失火故障诊断 |
| 5.1.1 整机工况识别 |
| 5.1.2 自适应失火故障诊断方法 |
| 5.2 变工况下柴油机气门间隙异常故障诊断 |
| 5.2.1 气门间隙异常故障模拟 |
| 5.2.2 气门间隙异常故障特征提取 |
| 5.2.3 变工况下基于软间隔支持向量机的气门间隙故障诊断方法 |
| 5.2.4 变工况下气门间隙异常故障诊断实例验证 |
| 5.3 考虑不平衡数据集的故障诊断方法 |
| 5.3.1 不平衡数据集对故障诊断模型的影响 |
| 5.3.2 基于改进SMOTE的故障诊断方法研究 |
| 5.3.3 基于不平衡振动数据集的故障诊断方法实例验证 |
| 5.4 本章小结 |
| 第六章 基于振动状态监测的维修决策优化方法研究 |
| 6.1 基于威布尔比例风险模型的柴油机状态评估 |
| 6.1.1 振动信号退化特征提取 |
| 6.1.2 威布尔比例风险模型 |
| 6.1.3 参数估计 |
| 6.2 维修决策优化方法 |
| 6.2.1 基于阈值的状态维修决策 |
| 6.2.2 维修决策阈值优化 |
| 6.2.3 柴油机健康管理 |
| 6.3 本章小结 |
| 第七章 实验与工程应用研究 |
| 7.1 变工况下柴油机典型故障模拟实验研究 |
| 7.1.1 变工况失火故障模拟 |
| 7.1.2 变工况气门间隙异常故障模拟 |
| 7.2 工程应用案例 |
| 7.2.1 失火故障诊断案例 |
| 7.2.2 气门间隙异常故障诊断及维修决策案例 |
| 7.3 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文主要研究成果 |
| 8.2 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 |
| 附件 |
（9）基于自编码器深度特征提取的柴油发动机异常检测与故障诊断技术研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 柴油发动机故障诊断技术研究现状 |
| 1.3 自编码器研究现状 |
| 1.4 自编码器在故障诊断上的应用现状 |
| 1.5 本文主要研究内容 |
| 第二章 基于一维卷积自编码器的柴油发动机异常检测方法 |
| 2.1 引言 |
| 2.2 一维卷积自编码器原理 |
| 2.2.1 自编码器 |
| 2.2.2 一维卷积自编码器 |
| 2.3 基于一维卷积自编码器的异常检测模型 |
| 2.3.1 误差生成模型 |
| 2.3.2 异常检测模型 |
| 2.4 基于一维卷积自编码器的柴油发动机异常检测 |
| 2.4.1 1DCAE重构结果分析 |
| 2.4.2 异常检测性能分析 |
| 2.4.3 卷积核可视化 |
| 2.5 本章小结 |
| 第三章 基于栈式自编码器的柴油发动机特征提取与故障诊断 |
| 3.1 引言 |
| 3.2 栈式自编码器原理 |
| 3.3 SAE的特征提取性能分析 |
| 3.3.1 提取出的特征 |
| 3.3.2 特征性能评估指标 |
| 3.3.3 各特征提取方法对比分析 |
| 3.4 栈式自编码器故障诊断模型 |
| 3.4.1 节点随机丢弃技巧 |
| 3.4.2 模型的搭建 |
| 3.5 基于栈式自编码器的故障诊断模型性能验证 |
| 3.5.1 故障诊断结果分析 |
| 3.5.2 输入方式对比分析 |
| 3.5.3 与其他算法对比分析 |
| 3.6 本章小结 |
| 第四章 基于改进变分自编码器的柴油发动机故障诊断方法 |
| 4.1 引言 |
| 4.2 基于改进变分自编码器的故障诊断模型 |
| 4.2.1 变分自编码器 |
| 4.2.2 和声搜索优化算法 |
| 4.2.3 提出的故障诊断模型 |
| 4.3 基于改进变分自编码器的柴油发动机故障诊断 |
| 4.3.1 模型超参数研究 |
| 4.3.2 超参数自动优化 |
| 4.3.3 特征提取可视化分析 |
| 4.3.4 非稳定工况下的故障诊断性能对比分析 |
| 4.3.5 与其他方法对比分析 |
| 4.4 本章小结 |
| 第五章 柴油发动机故障模拟实验与状态监测故障案例分析 |
| 5.1 引言 |
| 5.2 柴油发动机气门故障模拟实验 |
| 5.2.1 实验台搭建 |
| 5.2.2 实验目的与意义 |
| 5.2.3 实验过程 |
| 5.2.4 实验结果分析 |
| 5.3 柴油发动机状态监测项目典型故障案例分析 |
| 5.3.1 缸内失火故障案例分析 |
| 5.3.2 气门弹簧断裂故障案例分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者与导师简介 |
| 附件 |
（10）柴油机典型故障诊断及非稳定工况评估方法研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 柴油机故障监测诊断方法研究概况 |
| 1.2.2 柴油机非稳定工况监测评估方法研究概况 |
| 1.3 本文研究内容及结构安排 |
| 第二章 基于数据扩增的柴油机故障预警与诊断方法 |
| 2.1 卷积神经网络的原理和常见结构 |
| 2.1.1 CNN的原理 |
| 2.1.2 CNN的常见结构 |
| 2.2 基于数据扩增的虚拟样本生成 |
| 2.2.1 数据扩增的概念 |
| 2.2.2 试验台介绍 |
| 2.2.3 基于机理的数据扩增 |
| 2.3 基于ResNet的柴油机故障预警与诊断模型 |
| 2.3.1 ResNet模型结构 |
| 2.3.2 特征的可视化分析 |
| 2.3.3 故障预警与诊断方法 |
| 2.4 基于数据扩增的柴油机故障预警与诊断性能验证 |
| 2.4.1 实验数据 |
| 2.4.2 实验设置 |
| 2.4.3 实验结果对比分析 |
| 2.5 本章小结 |
| 第三章 基于迁移学习的柴油机故障诊断方法 |
| 3.1 迁移学习的原理和分类 |
| 3.1.1 迁移学习的概念 |
| 3.1.2 可迁移性解释 |
| 3.1.3 迁移学习的分类 |
| 3.2 基于迁移学习的故障诊断模型 |
| 3.2.1 TL-AlexNet实验组 |
| 3.2.2 其他对照组 |
| 3.3 基于迁移学习的柴油机故障诊断性能验证 |
| 3.3.1 实验数据 |
| 3.3.2 实验设置 |
| 3.3.3 实验结果对比分析 |
| 3.3.4 可视化分析 |
| 3.4 本章小结 |
| 第四章 基于灰色评价的柴油机非稳定工况评估方法 |
| 4.1 基于自适应阈值冲击定位的特征提取 |
| 4.1.1 Teager算子的特征增强 |
| 4.1.2 自适应阈值的冲击定位 |
| 4.2 基于灰色关联分析的灰色综合评估模型 |
| 4.2.1 灰色关联度 |
| 4.2.2 评估模型 |
| 4.3 基于灰色评价的工程案例分析 |
| 4.3.1 机组概述 |
| 4.3.2 启动阶段振动特点 |
| 4.3.3 启动性能灰色综合评估方法 |
| 4.4 本章小结 |
| 第五章 应急柴油机启机失火故障案例分析 |
| 5.1 振动监测平台搭建 |
| 5.2 启机失火故障分析 |
| 5.2.1 缸盖振动测点 |
| 5.2.2 瞬时转速测点 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 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 |
| 附件 |
四、基于神经网络的柴油机故障诊断（论文参考文献）
- [1]柴油机气门间隙异常和失火故障智能诊断方法研究[D]. 赵志坚. 北京化工大学, 2021
- [2]基于跨点频响的柴油机关键部件故障诊断研究[D]. 高家宝. 中北大学, 2021(09)
- [3]柴油机燃油系统的故障诊断与健康管理[D]. 刘原宾. 大连理工大学, 2021(01)
- [4]船用柴油机故障仿真与诊断方法研究[D]. 秦一斐. 天津理工大学, 2021(08)
- [5]船用柴油机故障诊断方法的现状分析与展望[J]. 秦一斐,张德福. 内燃机与配件, 2021(03)
- [6]基于局部回归神经网络的柴油机燃油喷射系统故障诊断研究[D]. 章志浩. 大连海事大学, 2020(01)
- [7]基于信号特征分析的柴油机故障诊断方法研究[D]. 刘嘉蒙. 北京化工大学, 2020(01)
- [8]变工况下柴油机故障在线监测与维修决策优化方法研究与应用[D]. 赖岳华. 北京化工大学, 2020(01)
- [9]基于自编码器深度特征提取的柴油发动机异常检测与故障诊断技术研究[D]. 陈鲲. 北京化工大学, 2020(02)
- [10]柴油机典型故障诊断及非稳定工况评估方法研究[D]. 王冠. 北京化工大学, 2020(02)