声明
摘要
第1章 绪论
1.1 论文选题背景介绍
1.2 论文故障特征分析算法介绍
1.2.1 流形学习故障特征降维
1.2.2 压缩感知故障特征降维
1.3 故障特征分析现状及本文研究思路
1.4 论文章节安排
第2章 走行部若干故障类型及实验数据介绍
2.1 数据来源及仿真环境介绍
2.1.1 数据1详细介绍
2.1.2 数据2详细介绍
2.1.3 数据3详细介绍
2.2 常规统计指标介绍
2.3 SVD理论
2.4 走行部常见故障介绍及初步分析
2.4.1 抗蛇形减振器失效分析
2.4.2 空气弹簧失效分析
2.4.3 横向减振器失效分析
2.4.4 复合故障失效分析
2.4.5 走行部单一、复合故障特征初步分析
2.4.6 复合故障形成机理探究
2.5 行车速度变化对列车运行平稳性的影响探究
2.6 轴承故障标准数据集特征初步分析
2.6.1 轴承单故障数据初步分析
2.6.2 轴承内环性能退化数据初步分析
2.7 本章小结
第3章 基于多尺度信息熵与流形学习的单一、复合故障分析
3.1 基于多尺度信息熵的故障特征提取
3.1.1 多尺度信息熵原理
3.1.2 奇异谱熵算法
3.1.3 Renyi熵算法
3.1.4 幅值谱熵算法
3.1.5 基于多尺度信息熵的仿真信号实验
3.1.6 基于多尺度信息熵的轴承故障标准数据集实验
3.1.7 基于多尺度信息熵的走行部单一、复合故障数据实验
3.2 基于S-ISOMAP与Fisher比率的故障特征分析
3.2.1 S-ISOMAP算法降维原理
3.2.2 Fisher比率特征评价原理
3.2.3 基于S-ISOMAP及Fisher比率的特征分析步骤
3.2.4 基于S-ISOMAP与Fisher比率的轴承故障标准数据集实验
3.2.5 基于S-ISOMAP与Fisher比率的走行部单一、复合故障数据实验
3.3 本章小结
第4章 基于奇异谱相对熵与灰色绝对关联度的性能退化研究
4.1 性能退化数据特征分析算法介绍
4.1.1 奇异谱相对熵算法
4.1.2 灰色绝对关联度算法
4.1.3 性能退化数据特征分析流程
4.2 基于奇异谱相对熵与灰色绝对关联度的仿真信号实验
4.3 基于奇异谱相对熵与灰色绝对关联度的轴承内环性能退化实验
4.4 基于奇异谱相对熵与灰色绝对关联度的车轮踏面磨损数据实验
4.5 本章小结
第5章 基于二次统计特征提取与压缩感知降维的故障分析
5.1 基于二次统计特征提取的故障分析模型
5.1.1 二次统计特征原理
5.1.2 轴承故障标准数据集的二次统计特征提取
5.1.3 全拆状态下的走行部故障数据二次特征提取实验
5.1.4 非全拆状态下的走行部故障数据二次特征提取实验
5.2 基于压缩感知的故障特征降维
5.2.1 压缩感知算法
5.2.2 基于压缩感知的故障特征降维步骤
5.2.3 轴承故障标准数据集压缩感知降维实验
5.2.4 全拆状态下的走行部故障数据压缩感知降维实验
5.2.5 非全拆状态下的走行部故障数据压缩感知降维实验
5.3 本章小结
总结及展望
致谢
参考文献
攻读硕士学位期间发表的学术论文和参与的项目