一、柴油机油路故障咋判别（论文文献综述）
孙鑫海[1]（2021）在《内燃机车柴油机主轴承失效机理及预防研究》文中提出国产主型内燃机车柴油机的主轴承均采用液体动压滑动式轴承结构,其具有承载能力大、抗冲击能力强和摩擦损耗小、寿命长等特点。但是,随着内燃机车使用年限的增长,柴油机各机械组件逐渐老化,加之维修、运用不当,易导致主轴承工作失效。主轴承失效轻则造成轴瓦损伤影响机车正常使用,重则引发机体、曲轴报废导致严重机破,不仅会给铁路局机务段带来较大的直接经济损失,严重时甚至会扰乱正常的运输和生产秩序,造成巨大间接经济损失。本论文通过分析滑动轴承机构和滑动轴承失效形式,结合内燃机车16V240ZJ、12V240ZJ、8240ZJ型柴油机主轴承失效典型故障案例,从影响柴油机主轴承工作状态最直接、重要的曲轴、机体、轴瓦三大部件进行分析,总结出了主轴承检修、组装和运用过程中可能诱发主轴承失效的主要因素,提出了精细选配主轴瓦、液氮冷却法更换曲轴油堵等技术改进措施,并设计制作了曲轴清洗试压装备,解决了曲轴内油道清洗不彻底和内油道无法做密封性试验的难题,有效地提升了柴油机主轴承组件的检修水平,为遏止柴油机主轴承非正常失效惯性质量故障打下了坚实的基础。同时,结合光谱分析技术和铁谱分析技术的优缺点,提出了以光谱分析为主、以铁谱分析为辅的光铁谱油液综合诊断应用方法,即通过运用光谱分析技术确定磨粒的元素类型和浓度,再对光谱分析显示异常磨粒的油液进行铁谱分析,确定出异常磨粒的可能来源,从而为更有针对性地开展技术检查提供依据,进而更快捷、准确地查找出异常磨损的部位。光铁谱油液综合诊断应用方法有助于提前预测主轴承的磨损状态,避免因主轴承过度磨损导致工作失效而引发柴油机大部件破损,保障机车运用安全可靠,为运输生产节约成本,达到节支降耗的目的。
刘原宾[2]（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。
赖岳华[3]（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》文中研究说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。
张志政[4]（2020）在《基于优化KPCA-SVM的船舶燃油系统故障监测和诊断研究》文中认为现代化大型船舶自动化程度日趋提高,船舶柴油机的故障监测和诊断技术已经成为提高船舶安全性和可靠性的重要方式之一。由英国柴油机工程师和用户协会提供的停机故障分析表明,造成柴油机停机后果的各种原因中燃油系统的故障占27%,比例最大。由于船舶柴油机燃油系统结构复杂,各个部件之间存在冗杂的非线性耦合关系,导致采集的样本数据具有典型的非线性多维特性,因此传统的线性方法在处理船舶燃油系统故障诊断问题时具有较大的局限性。本文以此为背景,开展了基于优化核主成分分析（Kernel Principal.Component Analysis,KPCA）和多分类支持向量机的船舶柴油机燃油系统故障监测与诊断技术研究。针对船舶燃油系统故障样本数据存在非线性强和噪声干扰的问题,首先提出采用KPCA对样本数据进行非线性特征提取,提取出样本数据特征的高维信息,其次在特征空间中构建T2和SPE统计量模型,最后通过监测样本数据统计量的变化实现了对船舶燃油系统故障的实时监测。由于KPCA性能受内部核函数参数影响,提出了基于粒子群优化核函数参数的选优方法,通过建立核函数参数优化模型,实现了 KPCA核函数参数的寻优,并对粒子群算法中惯性因子进行改进,在一定程度上防止了粒子群算法在优化过程中陷入局部最优,通过船舶燃油系统的故障监测实验表明该方法可有效减少非线性主成分个数,提高了故障监测的准确性。研究了基于多分类支持向量机进行故障诊断的方法,总结出限制多分类支持向量机故障诊断性能的两大因素:1、故障样本数据的质量;2、多分类支持向量机内核函数参数和惩罚因子的选择,在此研究基础上提出了基于粒子群优化KPCA-SVM的故障诊断方法,有效解决了船舶燃油系统故障特征非线性强、小样本分类精度低以及支持向量机参数选择难的问题,实现了三种算法的优势互补。为提高船舶柴油机燃油系统故障监测和诊断的精度,本文提出将基于KPCA的特征提取方法和多分类支持向量的故障诊断方法相结合,并采用改进的粒子群算法对KPCA和多分类支持向量机的核函数参数以及惩罚因子进行全局寻优,建立了基于粒子群优化KPCA的船舶燃油系统故障监测模型和基于粒子群优化KPCA-SVM的故障诊断模型,通过船舶燃油系统故障监测和诊断的仿真实验表明,本文提出的故障监测和诊断方法精度明显提高,验证了所提方法的有效性。
任东平[5]（2020）在《船舶柴油机润滑系统故障诊断研究》文中指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。
李海洋[6]（2020）在《船舶滑油系统的可视化仿真及其应用研究》文中进行了进一步梳理随着信息化进程的脚步加快,从智能家电到汽车的自动驾驶,都朝着智能化的方向发展,现代船舶也不例外。随着船舶自动化水平的不断提高,航运公司对船舶管理者的水平也提出了更高的要求。在船舶营运中,因船员对滑油系统不熟悉或误操作造成船舶出现事故的现象时有发生,严重影响了船舶的安全航行,因此,确保滑油系统的稳定运行,发现问题后及时采取应急措施,是确保船舶安全航行的重要保证。实践证明,加强船员对于船舶滑油系统的维护与管理尤为重要,为此,国际海事组织在STCW78/95公约中明确指出轮机模拟器是海船船员培训的重要项目。在现有的轮机仿真训练系统中,船舶滑油仿真系统存在模型和操作界面简化的情况,已经无法满足更深层次的船员训练和培训的需要。简化的仿真系统无法再现船舶在实际航行时所出现的一些典型故障,这对于培养船员在面对滑油系统的突发故障时,迅速排查故障并采取必要的应急措施的能力是十分不利的。船员需要具有滑油系统深层次故障的排查能力,以及故障出现时处理故障的能力。因此开发出一套能够准确反映船舶状态的滑油系统迫在眉睫。针对现有轮机仿真训练系统中滑油系统模型过于简化的不足,本文以万箱集装箱船作为仿真对象,对其滑油系统进行了建模和仿真研究。结合船舶滑油系统的管路图以及系统中各种设备的组成和特点,利用模块化的方法,分别建立了船舶主机滑油系统、发电机滑油系统、艉轴滑油系统和滑油装填与驳运系统的数学模型,模型包括系统中所包含的滑油泵、滑油换热器、温度调节器、滑油油柜和系统中所涉及到的一些阀件;利用VC++编程软件对建立的数学模型进行了编程和计算,得到不同工况下滑油系统的仿真数据;参照实际船舶的管路图与操控面板,开发出可视化的二维操作界面,并将算法程序与界面程序放入仿真平台,实现可交互性通讯;通过仿真计算数据与实际船舶航行数据进行比对,仿真误差小于:5%,验证了所建立的模型的正确性。根据《中华人民共和国海船船员适任考试大纲》的要求并参照实船中滑油系统中的典型故障,设计并实现了部分操作和故障排查自动评估试题的编写并对自动评估算法进行了比较深入的研究,试题测试结果正确,验证了评估算法的正确性。本文开发的船舶滑油可视化仿真系统,操作界面实现了根据显示器分辨率的变化自动调整界面的大小,并可通过鼠标进行缩放和操作;仿真模型能够实时反映实际系统的变化规律,可满足船员培训机构对船员的培训要求。
江俊,佘磊,蒋国成[7]（2020）在《机车水阻试验时柴油机燃油低压油路故障浅析及防范》文中进行了进一步梳理针对机车总组装线装配的各型柴油机机车部分的低压油路,在水阻试验台所出的故障进行了原因分析及采取了相对应的防范处理措施。
李瑞良[8]（2020）在《电控燃油系统异常喷射故障诊断方法研究》文中研究表明电控燃油系统作为高压共轨柴油机的重要组成之一,它的工作状态直接影响柴油机的工作性能。喷油器是电控燃油系统的核心部件,喷油器工作环境极为恶劣:喷嘴部分直接与燃油接触易受到燃油质量影响,并且处于缸内燃烧时的高温、高压恶劣环境,非常容易出现故障。当喷油器发生异常喷射故障时,直接影响燃油喷射质量,导致燃烧效率下降和排放加剧,降低高压共轨柴油机的性能指标,严重时甚至引发高压共轨柴油机其他部件的故障而危及机器和工作人员的安全。因此,准确预测和诊断电控燃油系统喷射故障对保证高压共轨柴油机的工作效率和工作安全具有重要的意义。电控燃油系统高压管路内的压力波形、波动频率等信息体现了高压共轨柴油机的工作状态,当发生异常喷射故障时改变了喷油量,进而导致压力波动变化。利用压力信号对电控燃油系统进行故障诊断越来越受到研究人员的重视。如何从压力信号中提取有效的故障特征信息用来准确识别高压共轨柴油机的故障类型,是高压共轨柴油机故障诊断的研究重点。本文针对喷油器故障引起的异常喷射现象,研究了基于压力波动的故障特征提取与诊断方法。首先,分析了电控燃油系统常见故障产生的原因及影响,针对喷油器堵塞和针阀卡滞故障,设计了基于仿真与实验方法的故障机理分析与诊断方案。其次,根据某高压共轨系统,基于AMESIM建立了电控燃油系统仿真模型,并进行了试验验证。基于此模型,研究了正常与异常喷射的波动机理,得到了针阀运动状态和压力波动的影响规律,并分析了故障对压力波动频率成分的影响。然后,研究了Hilbert-Huang变换的故障特征提取方法。针对Hilbert-Huang变换中存在的端点效应和虚假模式问题进行了优化,应用优化的Hilbert-Huang变换对共轨管和高压油管的压力信号进行EMD分解和Hilbert变换,得到IMF分量和相应的Hilbert边际谱,依据压力故障频率成分,提取了共轨管压力的IMF3,IMF4,IMF5及IMF6和高压油管的IMF1,IMF2及IMF5分量的归一化能量值分别作为故障诊断的特征参数。最后,搭建电控燃油系统实验平台,模拟喷油器故障,测取了不同工况的压力数据,采用Hilbert-Huang变换方法提取了故障特征,并应用SVM分类器进行了训练和模式识别,实现了电控燃油系统故障喷油器故障诊断。实验结果表明,该方法可以有效地诊断电控燃油系统异常喷射故障。
王家兴[9]（2019）在《基于贝叶斯网络的柴油机故障诊断方法研究》文中研究指明柴油机是目前许多大型机械的主要动力源,其设备安全可靠性至关重要,因此有必要对其进行故障诊断研究。本文选用常柴EV80小型二缸V型发动机为诊断对象,系统地开展了基于贝叶斯网络的故障诊断方法研究。柴油机在运转过程中各部件关联密切,内部情况复杂,在发生故障时,很难从表面发现;并且柴油机内部属于高温高压环境,情况复杂,部分零部件容易发生失效,因而很难对其进行有效的故障诊断。本文提出基于贝叶斯网络的单一及多点并发故障诊断方法,具有重要的理论应用与工程应用价值。本文通过对小型柴油机进行实验测试,将柴油机常见的几种故障进行模拟,采用振动分析法对柴油机进行故障诊断。通过在柴油机上安装多种不同传感器,采集柴油机运转过程中的重要振动信息,获取柴油机正常和故障状态下的数据,然后采用小波分析对信号进行处理,获取所需特征值。提出基于贝叶斯网络的柴油机单一故障的诊断方法,通过对信号处理后提取的特征值,进一步考虑故障与特征值之间的父子节点关系,建立了单一故障的柴油机贝叶斯网络。利用大量的实验数据对其进行验证,确保网络具有很好的诊断效果,考虑不同速度档下的数据,同时模拟柴油处于一定的杂音环境,加上不同信噪比的白噪声,进一步研究故障诊断的准确度。针对柴油机多点并发故障,建立了并发故障的贝叶斯网络。由于柴油机柴运转过程工况复杂,通常会有两种及以上的故障同时发生的情况,因此诊断难度非常大。针对柴油机几种典型的并发故障,采用“1+4”模式,即NOR、OLESE、OLWE、OLES、OLESP这几种状态建立并发故障贝叶斯诊断网络,将观测信息节点加入已建立的故障模式诊断网络,同时考虑不同速度档与白噪声的因素对于网络的影响,使得网络在不同环境下仍然具有最佳的准确度。基于MATLAB与Cimplicity软件的图形用户界面开发环境开发一款界面友好、易于使用的柴油机智能化故障诊断系统,能实时在线监测柴油机运行,并对柴油机发生故障及时报警。
吴明昊[10]（2018）在《船舶燃气轮机发电模块健康评估研究》文中研究说明船舶综合电力系统作为一个典型的复杂系统,在其运行的过程中,往往会受到众多因素的影响,如果系统处于亚健康状态不仅会造成经济损失,其至还会危及到工作人员的人身安全。以合理的健康状态评估为基础的维修技术,可以准确得知系统的实际状态,进而可以优化维修策略,节能节力,提高整个综合电力系统的稳定可靠性。由此可见,开展健康状态评估的研拓工作迫在眉睫。本文考虑到以燃气轮机发电模块为代表的发电设备作为船舶综合电力系统的能量源头,其健康状态的优劣也会直接影响到整个综合电力系统的性能,所以针对燃气轮机发电模块建立健康状态评估体系,整合提出了适用于模块特点的健康状态评估方法理论与预测模型。本文主要工作如下:（1）以燃气轮机发电模块为研究对象,建立了燃气轮机发电模块健康状态评估体系。在总结出系统健康状态定义的基础上,明确了健康度的含义;基于功能子系统,将整个模块的健康状态评估架构划分为目标层、项目层、子项目层和评估参数层;利用改进的故障模式、影响及危害性分析（FMECA）方法,分析模块的典型故障及其相应的响应参数,选择风险优先数（RPN）大于12的故障所对应的响应参量作为健康状态评估的指标,得到燃气轮机发电模块健康状态评估参数体系。（2）针对参数级评估,各评估参数变化的概率密度函数通过非参数估计法统计获得,从而得到各种情况下评估参数变化分布规律,再结合提出的健康度函数一般形式以及函数特征值计算方法,得到燃气轮机发电模块评估参数各自的健康度函数,完成参数级的健康评估。（3）对于系统级评估,则是利用模糊综合结合层次分析的评估策略。先是确定了本文隶属度函数形式,并且提出隶属度到健康度的后处理方法,再根据前文构建的评估架构,完成了同层次元素的权重分配,并在常权的基础上引入变权理论,使权重分配更符合实际。以燃气轮机发电模块为例,依次完成了参数级、功能子系统级、设备级和系统级的四级健康状态评估,由评估结果证明文中构建的健康状态评估模型可以合理地评估出燃气轮机发电模块的健康状态。（4）考虑到从整体性能下降趋势入手的预测研究较少,本文以健康度为基础进行燃气轮机发电模块健康状态预测,基于RBF核函数SVR建立了预测模型。以燃气轮机发电模块某时段健康度为例,完成了对未来一段时间健康度的预测。并以不同核函数SVR预测模型对同一健康度数据集进行预测,对得到预测结果进行预测精度分析,表明本文以RBF为核函数的SVR预测模型预测效果良好,预测精度较高。（5）以LabVIEW为基础搭建了燃气轮机发电模块健康状态评估仿真验证平台,通过仿真系统数据传输,对健康状态评估系统进行了验证,实现了健康状态实时评估、监测与短期趋势预测的功能。
二、柴油机油路故障咋判别（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、柴油机油路故障咋判别（论文提纲范文）
（1）内燃机车柴油机主轴承失效机理及预防研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 滑动轴承润滑研究现状 |
| 1.2.2 曲轴动力学分析研究 |
| 1.2.3 轴承合金层应力分析研究 |
| 1.2.4 润滑油性能分析研究 |
| 1.2.5 柴油机主轴承故障监测研究 |
| 1.3 论文的主要内容及结构 |
| 2 液体动压滑动轴承基础理论 |
| 2.1 引言 |
| 2.2 液体动压润滑的基本原理和基本关系 |
| 2.2.1 液体动压油膜的形成原理 |
| 2.2.2 液体动压润滑的基本方程 |
| 2.2.3 油楔承载机理 |
| 2.3 液体动压径向滑动轴承基本原理 |
| 2.4 滑动轴承失效形式及产生原因 |
| 2.4.1 磨粒磨损 |
| 2.4.2 疲劳破坏 |
| 2.4.3 咬粘(胶合) |
| 2.4.4 擦伤 |
| 2.4.5 过度磨损 |
| 2.4.6 腐蚀 |
| 2.4.7 其他失效形式 |
| 2.5 本章小结 |
| 3 主轴承失效分析 |
| 3.1 引言 |
| 3.2 制造和装配质量不达标 |
| 3.2.1 曲轴 |
| 3.2.2 机体 |
| 3.2.3 轴瓦 |
| 3.3 使用维护方法不当 |
| 3.3.1 柴油机飞车 |
| 3.3.2 滑油压力异常 |
| 3.3.3 司机操纵不当 |
| 3.3.4 配件检修质量不高 |
| 3.4 本章小结 |
| 4 主轴承失效控制措施 |
| 4.1 引言 |
| 4.2 主轴承相关配件清洁度控制 |
| 4.2.1 清洁度标准制定 |
| 4.2.2 曲轴清洗试压设备的设计制作 |
| 4.3 曲轴检测组装质量控制 |
| 4.3.1 曲轴修复 |
| 4.3.2 曲轴油堵更换方法 |
| 4.3.3 曲轴检测 |
| 4.4 机体检测组装质量控制 |
| 4.4.1 机体修复 |
| 4.4.2 机体检测 |
| 4.4.3 机体组装 |
| 4.5 轴瓦质量控制 |
| 4.5.1 轴承游隙值的确定 |
| 4.5.2 轴瓦检验与装配 |
| 4.6 使用维护要求 |
| 4.6.1 滑油压力监测 |
| 4.6.2 日常操作注意事项 |
| 4.7 本章小结 |
| 5 主轴承失效预防性研究 |
| 5.1 引言 |
| 5.2 铁谱、光谱分析和油品理化指标分析的原理和特点 |
| 5.2.1 铁谱分析 |
| 5.2.2 光谱分析 |
| 5.2.3 油品理化指标分析 |
| 5.3 光铁谱综合诊断技术研究 |
| 5.3.1 确定分析对象 |
| 5.3.2 光铁谱诊断标准 |
| 5.4 综合检测分析技术的应用 |
| 5.4.1 光谱分析 |
| 5.4.2 铁谱分析 |
| 5.4.3 分析结果的验证 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 作者简历及攻读学位期间取得的科研成果 |
| 附录2 学位论文数据集 |
（2）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 |
（3）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 |
（4）基于优化KPCA-SVM的船舶燃油系统故障监测和诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 船舶柴油机故障诊断研究发展现状 |
| 1.2.1 故障监测和诊断技术国内外研究现状 |
| 1.2.2 故障监测和诊断技术的发展趋势 |
| 1.3 论文主要研究内容 |
| 2 船舶柴油机燃油系统故障监测及诊断分析 |
| 2.1 船舶燃油系统概述 |
| 2.1.1 燃油系统低压油路 |
| 2.1.2 燃油系统高压油路 |
| 2.1.3 燃油喷射过程 |
| 2.2 主要故障部件原理分析 |
| 2.2.1 喷油泵工作原理分析 |
| 2.2.2 喷油器工作原理分析 |
| 2.2.3 燃油系统常见故障分析 |
| 2.3 常见故障监测和诊断方法 |
| 2.3.1 故障诊断过程 |
| 2.3.2 常见故障监测和诊断方法 |
| 2.3.3 船舶柴油机故障监测和诊断的目的 |
| 2.4 本章小结 |
| 3 基于KPCA的非线性特征提取与SVM的模式识别 |
| 3.1 基于KPCA的非线性特征提取 |
| 3.1.1 KPCA基本原理 |
| 3.1.2 KPCA非线性特征提取步骤 |
| 3.1.3 SPE和T~2统计量 |
| 3.1.4 基于KPCA的非线性特征提取分析 |
| 3.2 基于SVM的故障模式识别 |
| 3.2.1 支持向量机概述 |
| 3.2.2 支持向量机基本原理 |
| 3.2.3 软间隔最优分类面 |
| 3.2.4 非线性支持向量机 |
| 3.2.5 基于两类样本的SVM数值仿真 |
| 3.3 本章小结 |
| 4 基于PSO优化KPCA的船舶燃油系统故障监测 |
| 4.1 PSO优化算法概述 |
| 4.1.1 PSO基本原理 |
| 4.1.2 PSO优化参数选择 |
| 4.1.3 基于改进PSO算法数值仿真 |
| 4.2 基于KPCA的故障监测模型搭建 |
| 4.2.1 核函数及参数确定方法 |
| 4.2.2 样本数据采集 |
| 4.2.3 基于KPCA的故障监测实现流程 |
| 4.2.4 基于KPCA的船舶燃油系统故障监测实验 |
| 4.3 基于PSO优化KPCA的船舶燃油系统故障监测 |
| 4.3.1 基于PSO优化KPCA的故障监测算法设计 |
| 4.3.2 基于PSO优化KPCA的船舶燃油系统故障监测实验 |
| 4.4 本章小结 |
| 5 基于PSO优化KPCA-SVM的船舶燃油系统故障诊断 |
| 5.1 构建多分类支持向量机 |
| 5.1.1 一对多方法 |
| 5.1.2 一对一方法 |
| 5.1.3 直接非循环图法 |
| 5.1.4 决策树法 |
| 5.2 基于PSO优化KPCA-SVM的船舶燃油系统故障诊断 |
| 5.2.1 故障诊断算法设计思路 |
| 5.2.2 故障诊断实验步骤 |
| 5.2.3 船舶燃油系统故障诊断实验 |
| 5.3 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（5）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 |
（6）船舶滑油系统的可视化仿真及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 国内外滑油仿真训练系统的研究现状 |
| 1.2.1 船舶滑油系统介绍 |
| 1.2.2 仿真技术的发展情况 |
| 1.2.3 国内外轮机培训器的发展情况 |
| 1.3 本文的研究内容 |
| 2 滑油系统数学模型的建立 |
| 2.1 “太平洋”轮滑油系统的组成和技术特点 |
| 2.1.1 船舶滑油系统的组成 |
| 2.2 滑油管路模型 |
| 2.2.1 滑油管路计算原理 |
| 2.2.2 滑油管路能量损失分析 |
| 2.2.3 滑油管路模型计算 |
| 2.2.4 滑油管路串并联等效流导分析 |
| 2.2.5 滑油管网模型的水力计算 |
| 2.3 滑油系统部件数学模型 |
| 2.3.1 截止阀的数学模型 |
| 2.3.2 滤器的数学模型 |
| 2.3.3 自清洗滤器的数学模型 |
| 2.3.4 截止止回阀的数学模型 |
| 2.3.5 安全阀的数学模型 |
| 2.3.6 应急速闭阀的数学模型 |
| 2.3.7 滑油冷却器的数学模型 |
| 2.3.8 滑油温度控制单元的数学模型 |
| 2.3.9 油柜的数学模型 |
| 2.3.10 冷热油混温热力模型 |
| 2.3.11 滑油泵的数学模型 |
| 2.4 本章小结 |
| 3 滑油系统仿真模型的程序设计和计算结果分析 |
| 3.1 Visual C++6.0程序语言介绍 |
| 3.2 滑油仿真计算模型的程序设计 |
| 3.2.1 调试界面设计与计算程序的实现 |
| 3.2.2 仿真程序的调试 |
| 3.2.3 计算结果分析 |
| 3.3 本章小结 |
| 4 滑油系统故障模拟 |
| 4.1 典型设备的故障模拟 |
| 4.2 滑油系统设备故障模拟 |
| 4.2.1 滑油泵的故障模拟 |
| 4.2.2 温度控制单元故障模拟 |
| 4.3 本章小结 |
| 5 滑油仿真训练系统的可视化操作界面的设计与实现 |
| 5.1 仿真平台介绍 |
| 5.1.1 仿真平台的组成 |
| 5.1.2 平台的运行机制 |
| 5.2 船舶滑油系统界面系统设计 |
| 5.2.1 二维操作界面 |
| 5.3 船舶滑油系统算法动态库的实现 |
| 5.4 船舶滑油仿真训练系统实现的功能 |
| 5.5 本章小结 |
| 6 滑油仿真训练系统在海船船员智能考试平台中的应用 |
| 6.1 智能考试系统的组成 |
| 6.2 试题通用评估规则 |
| 6.3 评估算法 |
| 6.3.1 结束检测算法 |
| 6.3.2 实时检测算法 |
| 6.3.3 条件检测算法 |
| 6.4 滑油智能试题的编写与操作 |
| 6.4.1 滑油试题的编写 |
| 6.4.2 智能试题的加载 |
| 6.4.3 试题的测试及结果 |
| 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 |
| 作者简历及攻读硕士学位期间的科研成果 |
（7）机车水阻试验时柴油机燃油低压油路故障浅析及防范（论文提纲范文）
| 0 引言 |
| 1 柴油机燃油低压油路故障原因分析 |
| 1.1 吸入油路故障原因分析 |
| 1.1.1 管路故障原因分析 |
| 1.1.2 各部件故障原因分析 |
| 1.2 部分输出油路故障原因分析 |
| 1.3 水阻试验和厂线运转试验后油路故障产生及分析 |
| 2 柴油机低压油路故障应对措施 |
| 2.1 静态下的应对措施 |
| 2.1.1 吸入油路管路的预处理 |
| 2.1.2 吸入油路各部件的预处理 |
| 2.1.3 部分输出油路的预处理 |
| 2.2 动态下的应对措施 |
| 2.2.1 燃油泵的预处理 |
| 2.2.2 管路的预处理 |
| 2.2.3 其他部件的预处理 |
| 2.2.4 非自产柴油机的预处理 |
| 3 结论 |
（8）电控燃油系统异常喷射故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 柴油机故障诊断技术的研究现状 |
| 1.2.1 故障特征提取技术 |
| 1.2.2 故障模式识别技术 |
| 1.3 本文主要研究内容 |
| 第2章 电控燃油系统故障诊断方案设计 |
| 2.1 电控燃油系统简介 |
| 2.2 典型故障分析 |
| 2.3 故障诊断方案设计 |
| 2.4 本章小结 |
| 第3章 电控燃油系统建模与故障机理分析 |
| 3.1 基于AMESIM电控燃油系统模型建立 |
| 3.1.1 电控燃油系统仿真模型 |
| 3.1.2 仿真模型验证 |
| 3.2 基于水击现象的压力波动机理研究 |
| 3.2.1 水击现象的基本原理 |
| 3.2.2 正常喷射 |
| 3.2.3 异常喷射 |
| 3.3 压力频率成分特性分析 |
| 3.3.1 压力频率成分分析 |
| 3.3.2 故障对频率成分的影响规律 |
| 3.4 本章小结 |
| 第4章 基于Hilbert-Huang变换的压力信号特征提取方法研究 |
| 4.1 引言 |
| 4.2 Hilbert-Huang变换 |
| 4.2.1 Hilbert-Huang变换的基本原理 |
| 4.2.2 Hilbert-Huang变换的优化 |
| 4.3 基于共轨压力的故障特征提取 |
| 4.3.1 喷油器堵塞故障 |
| 4.3.2 针阀卡滞故障 |
| 4.4 基于高压油管压力的故障特征提取 |
| 4.4.1 喷油器堵塞故障 |
| 4.4.2 针阀卡滞故障 |
| 4.5 本章小结 |
| 第5章 电控燃油系统故障诊断实验验证 |
| 5.1 引言 |
| 5.2 实验系统方案 |
| 5.2.1 实验系统组成 |
| 5.2.2 实验方案设计 |
| 5.3 喷油器堵塞故障特征提取 |
| 5.4 针阀卡滞故障特征提取 |
| 5.5 基于支持向量机的故障模式识别 |
| 5.5.1 支持向量机的原理 |
| 5.5.2 特征向量的构建 |
| 5.5.3 故障识别 |
| 5.6 本章小结 |
| 全文总结与工作展望 |
| 1.全文总结 |
| 2.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 |
（9）基于贝叶斯网络的柴油机故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 故障诊断国内外现状分析 |
| 1.2.1 热力参数分析法国内外现状分析 |
| 1.2.2 振动分析法国内外现状分析 |
| 1.2.3 油液分析法国内外现状分析 |
| 1.2.4 声发射国内外现状分析 |
| 1.3 故障识别的现状研究 |
| 1.3.1 基于人工神经网络诊断的国内外现状 |
| 1.3.2 基于专家系统诊断的国内外现状 |
| 1.3.3 基于支持向量机诊断的国内外现状 |
| 1.3.4 基于贝叶斯网络诊断的国内外现状 |
| 1.4 研究目的及研究内容 |
| 1.4.1 研究目的 |
| 1.4.2 研究内容 |
| 第2章 柴油机故障特征信号分析与提取 |
| 2.1 柴油机故障诊断实验台设计 |
| 2.2 柴油机典型故障的设置方法 |
| 2.2.1 漏油故障设置 |
| 2.2.2 气门间隙异常故障设置 |
| 2.2.3 气门弹簧故障设置 |
| 2.2.4 气门推杆部件故障设置 |
| 2.2.5 气门故障设置 |
| 2.2.6 气缸盖衬垫故障设置 |
| 2.3 信号处理与特征提取 |
| 2.3.1 小波分析的基本原理与算法 |
| 2.3.2 基于小波分析的振动信号特征提取分析 |
| 2.4 本章小结 |
| 第3章 基于贝叶斯网络的柴油机单一故障诊断研究 |
| 3.1 诊断贝叶斯网络的建立方法 |
| 3.1.1 贝叶斯网络的基本原理 |
| 3.1.2 贝叶斯网络的诊断流程 |
| 3.2 单一故障诊断贝叶斯网络的结构建模 |
| 3.3 单一故障诊断贝叶斯网络的验证 |
| 3.4 本章小结 |
| 第4章 基于贝叶斯网络的柴油机并发故障诊断研究 |
| 4.1 并发故障诊断贝叶斯网络的建立 |
| 4.2 并发故障诊断贝叶斯网络验证 |
| 4.3 本章小结 |
| 第5章 柴油机智能化故障诊断系统软件开发 |
| 5.1 开发环境 |
| 5.2 功能与流程设计 |
| 5.3 柴油机智能化故障诊断软件开发 |
| 5.3.1 软件开发流程 |
| 5.3.2 案例操作演示 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 谢辞 |
（10）船舶燃气轮机发电模块健康评估研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 健康状态评估技术研究现状 |
| 1.2.1 健康状态含义 |
| 1.2.2 健康状态评估技术应用 |
| 1.2.3 健康状态评估方法 |
| 1.3 本文研究内容 |
| 第2章 船舶燃气轮机发电模块健康评估体系研究 |
| 2.1 健康状态评估架构 |
| 2.1.1 健康状态评估架构建立准则 |
| 2.1.2 健康状态评估架构建立方法 |
| 2.2 健康状态评估参数体系 |
| 2.2.1 健康状态评估参数选取准则 |
| 2.2.2 健康状态评估参数选取方法 |
| 2.2.3 燃气轮机发电模块主要故障分析及参数选取 |
| 2.3 本章小结 |
| 第3章 船舶燃气轮机发电模块参数级健康评估研究 |
| 3.1 参数级健康状态评估方法 |
| 3.2 概率密度估计模型 |
| 3.2.1 参数估计 |
| 3.2.2 非参数估计 |
| 3.2.3 半参数估计 |
| 3.3 健康度函数模型 |
| 3.4 燃气轮机发电模块参数级评估 |
| 3.4.1 燃气轮机参数级评估 |
| 3.4.2 发电机参数级评估 |
| 3.5 波形检验 |
| 3.6 本章小结 |
| 第4章 船舶燃气轮机发电模块系统级健康评估研究 |
| 4.1 系统级健康状态评估方法 |
| 4.2 模糊综合评估模型 |
| 4.3 隶属函数模型 |
| 4.3.1 隶属函数选取的一般原则 |
| 4.3.2 隶属函数的确定方法 |
| 4.3.3 隶属度后处理 |
| 4.4 变权层次分析模型 |
| 4.4.1 权重的确定方法 |
| 4.4.2 层次分析法定权重 |
| 4.4.3 变权理论的引入 |
| 4.5 燃气轮机发电模块系统级评估 |
| 4.5.1 参数级健康状态评估 |
| 4.5.2 功能子系统健康状态评估 |
| 4.5.3 设备级健康状态评估 |
| 4.5.4 系统级健康状态评估 |
| 4.6 本章小结 |
| 第5章 船舶燃气轮机发电模块健康预测研究 |
| 5.1 支持向量回归机理 |
| 5.2 支持向量回归预测模型 |
| 5.3 燃气轮机发电模块健康预测 |
| 5.3.1 系统健康度预测 |
| 5.3.2 预测精度分析 |
| 5.4 本章小结 |
| 第6章 船舶燃气轮机发电模块健康评估仿真验证 |
| 6.1 验证平台总体设计 |
| 6.2 健康状态评估系统硬件设计 |
| 6.3 健康状态评估系统软件设计 |
| 6.3.1 信号传输通道 |
| 6.3.2 健康状态评估系统软件人机界面 |
| 6.4 健康状态评估系统仿真验证 |
| 6.5 本章小结 |
| 结论 |
| 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 |
四、柴油机油路故障咋判别（论文参考文献）
- [1]内燃机车柴油机主轴承失效机理及预防研究[D]. 孙鑫海. 中国铁道科学研究院, 2021(01)
- [2]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)
- [3]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)
- [4]基于优化KPCA-SVM的船舶燃油系统故障监测和诊断研究[D]. 张志政. 大连海事大学, 2020(01)
- [5]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)
- [6]船舶滑油系统的可视化仿真及其应用研究[D]. 李海洋. 大连海事大学, 2020(01)
- [7]机车水阻试验时柴油机燃油低压油路故障浅析及防范[J]. 江俊,佘磊,蒋国成. 轨道交通装备与技术, 2020(01)
- [8]电控燃油系统异常喷射故障诊断方法研究[D]. 李瑞良. 哈尔滨工程大学, 2020(05)
- [9]基于贝叶斯网络的柴油机故障诊断方法研究[D]. 王家兴. 中国石油大学(华东), 2019(09)
- [10]船舶燃气轮机发电模块健康评估研究[D]. 吴明昊. 哈尔滨工程大学, 2018(08)