基于多维度特征融合和GBDT增强分类的列车制动系统故障诊断
致谢 | 第5-6页 |
摘要 | 第6-7页 |
ABSTRACT | 第7-8页 |
1 绪论 | 第12-19页 |
1.1 研究背景及意义 | 第12-14页 |
1.2 国内外研究现状 | 第14-17页 |
1.3 本文的研究内容 | 第17-18页 |
1.4 本文的组织结构 | 第18-19页 |
2 相关理论基础 | 第19-30页 |
2.1 时间序列相关概念 | 第19-21页 |
2.1.1 时间序列 | 第19-20页 |
2.1.2 时间序列挖掘 | 第20-21页 |
2.2 基于小波包的信号分析 | 第21-23页 |
2.2.1 小波包定义 | 第22-23页 |
2.2.2 小波包分析分解与重构 | 第23页 |
2.3 特征融合 | 第23-25页 |
2.3.1 特征选择 | 第23-25页 |
2.3.2 特征降维 | 第25页 |
2.4 分类模型及其增强策略 | 第25-29页 |
2.4.1 决策树 | 第26-27页 |
2.4.2 随机森林 | 第27-28页 |
2.4.3 梯度提升决策树 | 第28-29页 |
2.5 本章小结 | 第29-30页 |
3 制动系统故障诊断模型及算法 | 第30-42页 |
3.1 制动系统及其数据描述 | 第30-31页 |
3.2 问题建模 | 第31-35页 |
3.2.1 多元时间序列建模 | 第31-32页 |
3.2.2 制动系统故障模式分析 | 第32-33页 |
3.2.3 故障诊断模型构建 | 第33-35页 |
3.3 故障特征提取 | 第35-38页 |
3.3.1 时域特征提取 | 第35-36页 |
3.3.2 频域特征提取 | 第36页 |
3.3.3 小波包分解特征提取 | 第36-37页 |
3.3.4 相关性特征提取 | 第37-38页 |
3.4 故障特征融合 | 第38页 |
3.5 模型训练与诊断算法 | 第38-40页 |
3.6 本章小结 | 第40-42页 |
4 实验及结果分析 | 第42-52页 |
4.1 实验数据处理 | 第42-44页 |
4.1.1 数据描述 | 第42-43页 |
4.1.2 数据预处理 | 第43-44页 |
4.2 实验环境 | 第44页 |
4.3 实验及结果分析 | 第44-51页 |
4.3.1 实验评价指标 | 第44-45页 |
4.3.2 特征提取及特征融合实验结果 | 第45-48页 |
4.3.3 特征融合前后实验对比 | 第48-50页 |
4.3.4 不同模型实验结果对比 | 第50-51页 |
4.4 本章小结 | 第51-52页 |
5 制动系统故障诊断原型系统 | 第52-58页 |
5.1 系统架构设计 | 第52-53页 |
5.2 原型系统的设计与实现 | 第53-57页 |
5.2.1 开发环境 | 第53-54页 |
5.2.2 数据库表结构设计 | 第54-55页 |
5.2.3 故障诊断系统功能展示 | 第55-57页 |
5.3 本章小结 | 第57-58页 |
6 总结与展望 | 第58-60页 |
6.1 工作总结 | 第58-59页 |
6.2 研究展望 | 第59-60页 |
参考文献 | 第60-63页 |
作者简历及攻读硕士学位期间取得的研究成果 | 第63-65页 |
学位论文数据集 | 第65页 |