一、柴油机故障与管理（论文文献综述）
刘原宾[1]（2021）在《柴油机燃油系统的故障诊断与健康管理》文中研究指明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[2]（2021）在《船用柴油机故障仿真与诊断方法研究》文中提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。
张驰[3]（2021）在《柴油机耦合故障诊断中监测参数优选方法研究》文中研究指明柴油机是集机、电、热、液为一体的复杂动力机械,包括:冷却、润滑、增压等多个子系统及众多的零部件,各系统、零部件之间相互联系、协调配合,实现柴油机安全、可靠、高效的运行。然而,柴油机内部结构的高度关联性,也导致其故障与现象之间存在强耦合问题。柴油机运行参数的异常变化,是实现柴油机耦合故障诊断的依据。通常情况下,监测柴油机运行参数越多、类型越全面,越能准确反映其真实运行状态,从而越容易实现对柴油机复杂耦合故障的诊断。然而,监测参数过多,一方面导致信息量增大,处理信息、提取信息特征困难;另一方面,由于柴油机结构和空间的限制,以及避免影响机体强度等因素,安装传感器的数量也非常有限。因此,研究一种面向多故障模式诊断的柴油机监测参数优化选取方法,对于实现柴油机复杂耦合故障的诊断具有重要意义。文中研究了一种基于遗传算法的柴油机耦合故障诊断中监测参数优化选取方法。首先,基于符号有向图,分析柴油机故障的演进过程及故障特征,确定故障类型与运行参数的对应关系;在此基础上,定义柴油机故障特征矩阵泛化描述柴油机故障与监测参数间的因果关系,并采用条件熵、属性重要度,评价监测参数对柴油机耦合故障的区分能力;然后,根据柴油机故障特征矩阵包含的运行参数集,采用二进制编码的方式,表示实施柴油机耦合故障诊断所需的所有可行的监测参数选取方案。最后,构建适应度函数及遗传算子,以实现在不影响多故障区分能力基础上,选取最少的监测参数的目标,并确定基于遗传算法的监测参数优选方法的寻优计算步骤。论文基于MTU8V396SE柴油机润滑子系统耦合故障的监测诊断作为研究例,采用实体柴油机实验和GT-Power仿真实验相结合的方式,对提出的监测参数优选方法进行有效验证,结果表明,在不影响故障区分能力的前提下,所需的柴油机运行参数监测点（监测参数）数量大幅度减少。
刘嘉蒙[4]（2020）在《基于信号特征分析的柴油机故障诊断方法研究》文中指出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。
高志龙[5]（2020）在《基于状态智能预警驱动的柴油机IETM关键技术研究与应用》文中研究指明柴油机作为一种关键动力设备,被广泛用于船舶航运、轨道交通、石油化工、能源电力、矿山机械、装备动力等相关行业,在国民经济乃至国防安全领域发挥着极为重要的作用。但由于其部件众多、结构复杂、工况恶劣,极易发生故障。一旦出现恶性故障将会导致停工停产,严重时甚至引发危及人身安全的重大事故。然而,当前柴油机监测报警技术较为落后,故障发生后无法得到精准识别,导致检维修效率低下。通过研究柴油机故障发生机理与对应的特征信号,借助先进算法有效提取特征参数,以实现柴油机典型机械故障的预警与诊断。并将故障诊断与交互式电子技术手册（IETM）技术相结合,实现监测、预警、诊断、维修、维护、管理等综合保障功能的深度融合,从而提升柴油机运行的安全性、可靠性和可用性。本文以大功率柴油机为对象,以提高其典型机械故障预警诊断水平和维修保障能力为目标,通过对典型机械故障机理的深入分析,研究适用于不同种类故障的预警和诊断方法。结合智能诊断算法实现柴油机运行工况的自动识别,提高预警和诊断准确率。最后探索基于故障预警驱动的IETM设计方法与架构。论文各章节主要研究内容如下:首先,综合归纳大功率柴油机典型机械故障类型,理清传统诊断方法面临的问题与挑战,分析智能诊断预警技术现状。研究国内外IETM技术发展历程、技术难点和未来发展趋势。在现有研究基础上,总结基于智能预警驱动的柴油机IETM系统关键技术点。其次,针对柴油机连杆衬套滑移,轴瓦磨损两类疑难故障,开展理论建模研究。通过建立相关数学模型,寻找故障典型特征。提出基于SAW（声表面波）无源无线测温技术的柴油机轴瓦磨损类故障预警诊断方法。研制柴油机连杆大小头瓦无线温度传感器,通过故障模拟试验证明该方法的有效性;然后,针对曲轴弯曲微变形这类恶性故障,建立多体动力学模型,通过模拟、仿真、分析其对应的故障特征及敏感参数,探究该类故障预警诊断的有效方法,并通过理论分析与实际故障案例相结合的方式证明该方法可行性;研究基于振动信号自适应的EMD降噪和聚类算法的柴油机运行功率自动识别算法,通过该算法实现对柴油机运行工况的自动识别。在无需增加传感器的前提下,引入柴油机输出功率作为预警诊断参考指标。此外,结合瞬时转速、温度、压力等参数,研究基于多源信息融合的复杂故障预警诊断方法,提高故障预警诊断的准确性。在上述研究成果的基础上,总结柴油机典型故障诊断系统设计方法。并利用实验和工程实际案例数据对系统功能进行验证。最后,研究基于智能预警驱动的IETM设计方法与架构。梳理传统IETM研制流程和编制规范,提出智能预警诊断技术与IETM相结合的实现方案,并给出基于状态智能预警驱动的柴油机IETM总体实现方法和步骤。
赖岳华[6]（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》文中指出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[7]（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。
张恺[8]（2020）在《基于.NET的船舶柴油机监测报警与辅助节能系统研究》文中进行了进一步梳理柴油机作为船舶上主要的动力输出来源,其工作状态的好坏能够决定船舶运行时的安全与否,但由于船用柴油机通常在较恶劣环境下工作、并且其运行过程也较为复杂,因此,容易发生故障,从而降低船舶的安全性。因此对柴油机进行状态监测,及时发现其状态异常,并进行故障诊断有着极为重要的意义。同时在全球能源日益枯竭的情况下,通过对柴油机工况的监测,调节其他辅助系统的工况,也能大幅的降低船舶的能耗,其研究也具有重要的意义。本文基于.NET框架中的Win Form平台,开发了船舶柴油机的监测系统,能够对柴油机进行实时的状态监测,并基于优化后的PSO-RBF神经网络,实现故障报警诊断功能。以此同时,设计了一种辅助系统可变工况控制方案,对柴油机各辅助系统中驱动泵或风机的电机进行调速控制,从而实现辅助系统输出与柴油机工况相匹配,从而达到节能的目的。通过对柴油机监测系统整体结构的分析与设计,列举出了系统用于实现各功能的模块,并对粒子群（Partical Swarm Optimization,PSO）算法的粒子寻优过程进行优化,设计出算法中的惯性权重、学习因子、以及速度更新方案,以此来提升PSO算法的收敛速度与精度,并用优化后的PSO算法对径向基函数（Radial Basis Function,RBF）神经网络中的隐含层神经元中心、场域宽度、隐含层与输出层连接权重,3个参数进行寻优,构成最优RBF神经网络。通过优化PSO-RBF神经网络,进行柴油机进排气系统和燃油系统典型故障的诊断,研究表明,优化的PSO-RBF神经网络较基本PSO算法寻优的RBF神经网络,在故障诊断中有着较小的误差,较高的可靠性。通过选用永磁同步电动机,设计一种可变工况控制方案,进行柴油机实际工况与所需辅助系统的泵或风机输出流量的匹配计算,从而通过电机的变频调速改变泵或风机的流量,实现减少柴油机辅助系统中各泵或风机所需能耗,达到节能目的。最后,本文在Win Form平台上进行了柴油机监测系统的开发,系统通过传感器进行数据采集;加装sm331、sm332模块的S7-300 PLC通过转接头进行数据传输;使用Mod Bus协议进行数据通信;通过SQL Server2014进行数据存储以及调用;能够通过采集数据进行计算,并输出数据进行柴油机辅助系统中各电机调速控制;在界面中能够实时显示相应的数据,查看历史数据线图以及故障;通过优化的PSO-RBF神经网络完成故障诊断;控制辅助系统的电机调速,从而构成一个完整的监测系统。
张海宁[9]（2020）在《基于油液检测与性能参数检测的挖掘机柴油机状态评价技术研究》文中进行了进一步梳理柴油机是工程机械挖掘机的心脏,是其工作的动力来源。柴油机在高速高温的条件下工作,其稳定性和安全性将直接影响到挖掘机的工作状态。据统计,80%的柴油机不能工作是因为磨损故障引起的,所以提前做好状态诊断和预知性维修非常重要。油液检测和性能参数检测是对柴油机故障诊断用得非常多的方法,本文以两种检测方法为手段,开展对挖掘机柴油机的状态评价技术研究。具体工作如下:分析了柴油机故障模式与磨损故障失效原理与油液分析相关理论及其在柴油机故障诊断中的应用,为下一步状态评价提供理论基础;以柴油机油液实测数据制定了柴油机状态评价的界限值,然后运用物元评价理论将油液检测参数与柴油机状态的定量关系进行了计算,最后运用因子分析法对油液检测参数进行了降维,建立了各因子的诊断标准,并对状态进行了诊断。分析了依据柴油机性能参数进行故障诊断的机理,对与柴油机油液检测数据对应的性能参数进行了提取和分析,以两台柴油机5个月内一共356条性能参数进行了K-Means聚类,运用油液检测数据和性能参数建立柴油机状态评价的劣化度模型,运用熵权法为各指标确定权重。应用Labview软件开发了一套柴油机状态评价系统,该系统能依据油液检测数据和性能参数对柴油机的状态做出判断。
任东平[10]（2020）在《船舶柴油机润滑系统故障诊断研究》文中提出近年来船舶智能化与自动化水平的不断提高,在船舶可靠性与安全性这两方面有了更加严格的要求。柴油机作为船舶的核心设备,在船舶安全方面起着至关重要的作用。但是,柴油机的结构复杂、零件较多,机体处于高温、高压的环境中,因此发生故障的可能性比较大。传统的故障诊断多为经验法、热力参数法、油液分析法等,这些方法对滑油系统的故障诊断不能精确定位,且耗时长,有的还需要专用检测工具。本文采用贝叶斯noisy-OR/AND模型开发故障诊断系统,可以准确快速的诊断故障,同时还能给出维修措施供工作人员参考,能在故障发生的最短时间内恢复设备的运行,对于确保船舶安全运行具有重要的意义。本文以亚洲网络为实验模型,对比不同的消元顺序对推理时间的影响。变量消元法推理快慢的主要因素是消元顺序的构造,目前主要有最小度、最大势、最小缺边和最小增加复杂度4种搜索方法可以用来构造消元顺序。实验发现最小增加复杂度搜索方法优于其它搜索方法,可缩短推理时间,提高推理效率。对WARTSILA 6L34DF柴油机滑油系统建立诊断模型。依据润滑系统的故障类型,整个润滑系统可以分为进机油压异常、进机油温异常、滑油消耗率过高和滑油早期失效4个子故障。通过对系统的分析,建立六个故障树,分别为进机油压过高、进机油压过低、进机温度过高、进机温度过低、滑油消耗率过高和滑油早期失效。采用将故障树转化为贝叶斯网的方法,构建上述六个故障树的贝叶斯网络诊断模型。开发柴油机滑油系统的故障诊断软件。利用Visual Studio 2017和SQL Server 2017为开发环境,以C#语言为基础开发诊断系统。在数据库中建立滑油系统的知识库,将先验概率存入相应的数据表中;在Visual Studio 2017中,编程实现整个故障诊断功能,该系统包括4个菜单栏。最后使用2个故障实例证明该系统能准确快速的诊断出故障原因。研究表明,当结合工作人员对设备的观测信息时,该故障诊断系统能够准确迅速的定位故障原因,并给出相应的维修策略。在贝叶斯网络推理时,采用最小缺边复杂度搜索方法可提高变量消元法的推理速度,可缩短系统后台的计算运行时间,减少系统的卡顿。贝叶斯网络诊断模型优于现有的诊断方法,能真正诊断出故障原因,帮助工作人员快速准确地定位故障。
二、柴油机故障与管理（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、柴油机故障与管理（论文提纲范文）
（1）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 |
（2）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 |
（3）柴油机耦合故障诊断中监测参数优选方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 工程实践中监测参数优化选取的研究现状 |
| 1.2.1 基于知识的监测参数优选方法 |
| 1.2.2 基于解析模型的监测参数优选方法 |
| 1.3 本文主要研究内容 |
| 第2章 柴油机监测参数优化选取数学模型的建立 |
| 2.1 柴油机监测参数优选任务分析 |
| 2.2 柴油机故障特征矩阵 |
| 2.2.1 柴油机故障特征矩阵定义 |
| 2.2.2 基于有向图模型的因果关系分析方法 |
| 2.3 监测参数优选评价指标 |
| 2.3.1 信息熵概述 |
| 2.3.2 基于条件熵的柴油机监测参数优选评价指标 |
| 2.3.3 柴油机监测参数属性重要度 |
| 2.4 本章小结 |
| 第3章 基于遗传算法的柴油机监测参数优化选取 |
| 3.1 遗传算法的基本原理 |
| 3.2 监测参数优选任务中遗传算法的设计 |
| 3.2.1 遗传编码 |
| 3.2.2 适应度函数 |
| 3.2.3 遗传操作 |
| 3.3 基于条件熵的冗余监测参数约简方法 |
| 3.4 基于遗传算法的监测参数优选步骤 |
| 3.5 本章小结 |
| 第4章 GT-POWER仿真实验验证 |
| 4.1 GT-POWER软件介绍 |
| 4.2 MTU8V396SE柴油机仿真模型 |
| 4.2.1 仿真模型验证 |
| 4.2.2 故障模拟仿真实验方案设计 |
| 4.3 仿真实验结果分析 |
| 4.4 本章小结 |
| 第5章 实验验证 |
| 5.1 MTU8V396柴油机故障诊断实验台 |
| 5.1.1 MTU8V396SE柴油机 |
| 5.1.2 柴油机运行参数采集系统 |
| 5.2 柴油机润滑系统故障模拟实验 |
| 5.2.1 柴油机润滑系统介绍 |
| 5.2.2 传感器布置方案 |
| 5.2.3 故障模拟实验方案设计 |
| 5.3 实验结果分析 |
| 5.4 本章小结 |
| 全文总结与展望 |
| 全文总结 |
| 工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（4）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 |
（5）基于状态智能预警驱动的柴油机IETM关键技术研究与应用（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 研究背景与意义 |
| 1.2 国内外研究综述 |
| 1.2.1 柴油机故障传统监测诊断方法概况 |
| 1.2.2 柴油机故障智能监测诊断技术研究概况 |
| 1.2.3 IETM技术发展概况 |
| 1.3 前人的研究成果 |
| 1.3.1 柴油机监测诊断方面研究成果 |
| 1.3.2 智能诊断技术研究成果 |
| 1.3.3 IETM技术研究成果 |
| 1.4 论文结构与内容安排 |
| 第二章 柴油机典型机械故障分类与预警诊断技术 |
| 2.1 柴油机典型机械故障分类及其特征信号 |
| 2.1.1 柴油机典型机械故障分类 |
| 2.1.2 柴油机典型机械故障特征信号类型 |
| 2.2 柴油机典型机械故障监测预警方法 |
| 2.2.1 基于统计特征参量分析的时域信号监测预警方法 |
| 2.2.2 基于振动信号角域分析的故障诊断预警方法 |
| 2.2.3 基于振动信号时频分析的故障监测预警方法 |
| 2.2.4 基于振动信号自适应的EMD智能预警方法 |
| 2.2.5 基于K近邻的柴油机故障识别预警方法 |
| 2.3 柴油机故障预警诊断技术难点 |
| 2.4 本章小结 |
| 第三章 柴油机连杆轴瓦故障监测预警方法研究 |
| 3.1 连杆小头衬套滑移故障 |
| 3.1.1 连杆小头衬套滑移故障机理 |
| 3.1.2 连杆小头衬套滑移故障特征与监测难点分析 |
| 3.2 连杆轴瓦磨损故障 |
| 3.2.1 连杆轴瓦磨损故障类型与传统监测方法 |
| 3.2.2 连杆轴瓦磨损故障特征 |
| 3.3 基于SAW无线测温技术的轴瓦磨损类故障预警与诊断方法研究 |
| 3.3.1 SAW无源无线测温原理 |
| 3.3.2 基于SAW的连杆轴瓦温度传感器的设计 |
| 3.3.3 信号处理装置的设计 |
| 3.3.4 软件系统的设计 |
| 3.4 实验验证 |
| 3.4.1 高速单缸机配机试验 |
| 3.4.2 轴瓦磨损故障模拟试验 |
| 3.5 本章小结 |
| 第四章 柴油机曲轴弯曲微变形故障诊断方法研究 |
| 4.1 曲柄连杆简化模型的理论分析计算 |
| 4.1.1 曲柄连杆力学模型分析 |
| 4.1.2 曲柄模型简化 |
| 4.1.3 横向力作用下曲轴受力分析 |
| 4.1.4 弯曲形变对于横向力作用下曲轴受力影响 |
| 4.2 基于多体动力学仿真的故障特征研究 |
| 4.2.1 模型建立与参数设置 |
| 4.2.2 仿真过程 |
| 4.2.3 仿真结果分析 |
| 4.3 曲轴弯曲微变形故障监测预警方法 |
| 4.4 故障案例验证 |
| 4.4.1 传感器与测点布置 |
| 4.4.2 故障现象描述 |
| 4.4.3 数据分析与故障诊断结论 |
| 4.5 本章小结 |
| 第五章 柴油机典型机械故障智能预警诊断系统设计 |
| 5.1 基于缸盖振动信号概率密度分布的柴油机输出功率识别算法 |
| 5.1.1 缸盖振动信号截止滤波预处理 |
| 5.1.2 基于自适应EMD分解的缸盖振动信号处理方法研究 |
| 5.1.3 基于振动速度概率密度分布的功率识别方法 |
| 5.2 基于改进KNN的柴油机故障报警阈值动态自学习算法 |
| 5.2.1 训练集的构建 |
| 5.2.2 K值的确定 |
| 5.2.3 报警阈值动态学习方法 |
| 5.3 柴油机在线监测预警系统设计 |
| 5.3.1 系统总体设计 |
| 5.3.2 硬件方案 |
| 5.3.3 软件方案 |
| 5.4 工程应用案例 |
| 5.4.1 故障情况 |
| 5.4.2 报警信息与监测数据分析 |
| 5.4.3 故障原因探究 |
| 5.4.4 结论 |
| 5.5 本章小结 |
| 第六章 基于智能预警驱动的柴油机IETM架构设计 |
| 6.1 IETM平台的功能模块 |
| 6.1.1 多媒体制作工具 |
| 6.1.2 XML编辑器 |
| 6.1.3 公共源数据库 |
| 6.1.4 发布引擎 |
| 6.1.5 浏览器 |
| 6.2 标准IETM内容模块 |
| 6.3 IETM的开发流程 |
| 6.3.1 数据模块编码 |
| 6.3.2 数据模块需求列表(DMRL)编制 |
| 6.4 基于智能预警驱动的柴油机IETM架构设计 |
| 6.4.1 架构设计 |
| 6.4.2 具体实现 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 研究结论与成果 |
| 7.2 主要创新点 |
| 7.3 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 |
| 附件 |
（6）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 |
（7）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 |
（8）基于.NET的船舶柴油机监测报警与辅助节能系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 船舶柴油机监测与节能系统研究的背景及意义 |
| 1.2 故障诊断技术的国内外发展现状 |
| 1.2.1 柴油机故障诊断研究的内容 |
| 1.2.2 国外故障诊断技术研究现状 |
| 1.2.3 国内故障诊断技术研究现状 |
| 1.3 柴油机故障诊断技术的研究方法 |
| 1.4 柴油机监测技术的发展趋势 |
| 1.5 船舶柴油机辅助系统节能途径 |
| 1.6 本文主要研究内容及章节安排 |
| 第2章 柴油机监测系统结构设计 |
| 2.1 船舶柴油机监测系统需求功能分析 |
| 2.2 系统结构概述 |
| 2.3 柴油机系统各种典型故障分析 |
| 2.4 本章小结 |
| 第3章 优化PSO-RBF的柴油机故障诊断网络 |
| 3.1 人工神经网络概述与主要应用领域 |
| 3.2 RBF神经网络 |
| 3.2.1 RBF神经网络模型 |
| 3.2.2 粒子群算法对神经网络学习算法的优化 |
| 3.3 基本PSO算法 |
| 3.3.1 PSO算法简介 |
| 3.3.2 PSO算法原理 |
| 3.3.3 PSO算法特点 |
| 3.4 PSO算法的优化 |
| 3.5 优化后的PSO算法性能测试 |
| 3.5.1 选用的测试函数简介 |
| 3.5.2 测试性能比对 |
| 3.6 优化粒子群算法的RBF神经网络运算结构及其建立步骤 |
| 3.7 优化PSO-RBF在柴油机故障诊断中的运用 |
| 3.7.1 柴油机典型故障及故障特征选取 |
| 3.7.2 柴油机故障诊断模型 |
| 3.7.3 改进网络实际故障诊断的应用 |
| 3.8 本章小结 |
| 第4章 船舶柴油机辅助系统节能设计 |
| 4.1 船舶柴油机辅助系统泵与风机节能原理 |
| 4.2 通过可变工况控制进行泵或风机节能控制 |
| 4.3 柴油机辅助系统节能整体设计 |
| 4.4 本章小结 |
| 第5章 基于.NET Win Form平台的柴油机监测系统的实现 |
| 5.1 .NET简介 |
| 5.2 Win Form平台简介及其优势 |
| 5.3 监测系统数据采集以及传递 |
| 5.4 柴油机辅助系统节能实现 |
| 5.5 监测系统界面开发 |
| 5.5.1 用户登录界面 |
| 5.5.2 工况显示界面 |
| 5.5.3 数据显示界面 |
| 5.5.4 历史趋势界面 |
| 5.5.5 报警记录界面 |
| 5.6 故障诊断流程 |
| 5.7 存储数据库构建 |
| 5.7.1 SQL Server2014 简介 |
| 5.7.2 各数据库的构建 |
| 5.8 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（9）基于油液检测与性能参数检测的挖掘机柴油机状态评价技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 论文主要研究内容与工作安排 |
| 第二章 柴油机故障机理与油液检测技术研究 |
| 2.1 柴油机简介和工作原理 |
| 2.1.1 柴油机简介 |
| 2.1.2 柴油机简要工作原理 |
| 2.2 柴油机故障机理 |
| 2.3 柴油机磨损故障机理 |
| 2.3.1 柴油机磨损过程分析 |
| 2.3.2 柴油机磨损失效的分类 |
| 2.4 柴油机油液检测技术 |
| 2.4.1 理化性能分析技术 |
| 2.4.2 铁谱分析 |
| 2.4.3 光谱分析 |
| 2.4.4 柴油机磨损状态指示参数的表征方式构建 |
| 2.5 本章小结 |
| 第三章 基于油液检测的柴油机磨损状态评价 |
| 3.1 基于趋势图分析的磨损状态评价 |
| 3.2 基于界限值法的磨损状态评价 |
| 3.3 基于物元评价法的磨损状态评价 |
| 3.3.1 柴油机磨损状态评价物元模型的建立 |
| 3.3.2 基于物元模型的磨损状态等级评价 |
| 3.4 基于因子分析法的柴油机磨损状态评价 |
| 3.4.1 引言 |
| 3.4.2 因子分析基本理论 |
| 3.4.3 基于因子分析模型对柴油机磨损状态评价实例分析 |
| 3.5 本章小结 |
| 第四章 基于油液检测与性能参数的状态评价研究 |
| 4.1 柴油机性能参数 |
| 4.1.1 转速 |
| 4.1.2 冷却液温度 |
| 4.1.3 增压器温度和压力 |
| 4.1.4 燃油喷射压力 |
| 4.2 基于K-Means的性能参数聚类分析 |
| 4.3 基于劣化度分析的柴油机状态评价 |
| 4.3.1 状态评价的相对劣化度模型 |
| 4.3.2 评估模型的权值分配 |
| 4.4 本章小结 |
| 第五章 基于油液与性能参数的柴油机状态评价系统 |
| 5.1 Labview简介 |
| 5.2 系统软件设计 |
| 5.2.1 用户管理 |
| 5.2.2 数据管理 |
| 5.2.3 分析式铁谱分析 |
| 5.2.4 三线值分析 |
| 5.2.5 数据趋势图分析 |
| 5.2.6 基于物元模型的磨损状态判断 |
| 5.2.7 系统综合劣化度评价 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（10）船舶柴油机润滑系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 柴油机故障诊断技术研究现状 |
| 1.2.1 柴油机故障诊断技术发展概况 |
| 1.2.2 柴油机故障诊断技术发展趋势 |
| 1.3 滑油系统故障诊断研究现状 |
| 1.4 论文的结构与主要研究内容 |
| 1.4.1 论文的总体框架 |
| 1.4.2 论文的主要研究内容 |
| 2 贝叶斯网络理论 |
| 2.1 贝叶斯理论基础 |
| 2.1.1 概率论基础 |
| 2.1.2 概率推理 |
| 2.1.3 概率图模型 |
| 2.1.4 贝叶斯网络 |
| 2.1.5 Leaky Noisy Or模型 |
| 2.2 贝叶斯网络推理 |
| 2.2.1 推理算法简述 |
| 2.2.2 VE推理算法 |
| 2.3 贝叶斯网络学习 |
| 2.3.1 贝叶斯网络结构学习 |
| 2.3.2 贝叶斯网络参数学习 |
| 2.4 本章小结 |
| 3 亚洲网络最优消元顺序构造 |
| 3.1 变量消元法相关概念 |
| 3.2 消元复杂度分析 |
| 3.3 消元顺序构造 |
| 3.3.1 最小度法搜索消元顺序 |
| 3.3.2 最大势搜索消元顺序 |
| 3.3.3 最小缺边搜索消元顺序 |
| 3.3.4 最小增加复杂度搜索消元顺序 |
| 3.4 本章小结 |
| 4 建立滑油系统贝叶斯诊断模型 |
| 4.1 WARTSILA 6L34DF柴油机简介 |
| 4.2 滑油系统结构原理 |
| 4.2.1 滑油系统组成及作用 |
| 4.2.2 滑油运送方式 |
| 4.2.3 滑油系统结构原理分析 |
| 4.3 建立诊断模型 |
| 4.3.1 滑油系统故障分析 |
| 4.3.2 滑油诊断模型的建立过程 |
| 4.3.3 滑油诊断模型搭建实例 |
| 4.4 变量消元法推理实例 |
| 4.5 本章小结 |
| 5 滑油诊断系统的设计及实现 |
| 5.1 故障诊断流程 |
| 5.2 软件开发环境及结构 |
| 5.2.1 开发环境 |
| 5.2.2 软件结构 |
| 5.3 数据库设计 |
| 5.4 模型代码化 |
| 5.5 用户界面模块设计 |
| 5.6 故障诊断系统的实例验证 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望及建议 |
| 结论 |
| 参考文献 |
| 附录A 滑油系统故障树及贝叶斯模型 |
| 附录B 滑油系统事件先验概率表 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
四、柴油机故障与管理（论文参考文献）
- [1]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)
- [2]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)
- [3]柴油机耦合故障诊断中监测参数优选方法研究[D]. 张驰. 哈尔滨工程大学, 2021
- [4]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)
- [5]基于状态智能预警驱动的柴油机IETM关键技术研究与应用[D]. 高志龙. 北京化工大学, 2020(01)
- [6]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)
- [7]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)
- [8]基于.NET的船舶柴油机监测报警与辅助节能系统研究[D]. 张恺. 江苏科技大学, 2020(03)
- [9]基于油液检测与性能参数检测的挖掘机柴油机状态评价技术研究[D]. 张海宁. 石家庄铁道大学, 2020(04)
- [10]船舶柴油机润滑系统故障诊断研究[D]. 任东平. 大连海事大学, 2020(01)