基于SVDD的顶锤裂纹故障预测方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容 | 第12-14页 |
| 第二章 顶锤裂纹声发射信号预处理 | 第14-23页 |
| 2.1 引言 | 第14页 |
| 2.2 顶锤裂纹声发射信号介绍 | 第14-16页 |
| 2.3 声发射信号预处理方法研究 | 第16-20页 |
| 2.3.1 算法流程 | 第17页 |
| 2.3.2 数字滤波器选取 | 第17-19页 |
| 2.3.3 特征信号的提取方法研究 | 第19-20页 |
| 2.4 实验分析 | 第20-23页 |
| 第三章 顶锤裂纹信号特征参数提取方法研究 | 第23-34页 |
| 3.1 常用特征参数提取方法 | 第23-27页 |
| 3.1.1 参数分析方法介绍 | 第24-26页 |
| 3.1.2 参数分析方法实验结果 | 第26-27页 |
| 3.2 改进特征参数分析法 | 第27-31页 |
| 3.2.1 过零率 | 第27-28页 |
| 3.2.2 线性倒谱LPC | 第28-30页 |
| 3.2.3 功率谱密度PSD | 第30-31页 |
| 3.3 实验分析 | 第31-34页 |
| 第四章 基于信息增益的特征参数优选方法研究 | 第34-45页 |
| 4.1 引言 | 第34页 |
| 4.2 研究思路 | 第34-35页 |
| 4.3 离散化方法介绍 | 第35-40页 |
| 4.3.1 经验分割法 | 第36-37页 |
| 4.3.2 等频分割法 | 第37页 |
| 4.3.3 等距分割法 | 第37-40页 |
| 4.4 特征选择处理方法 | 第40-42页 |
| 4.4.1 方法简介 | 第40页 |
| 4.4.2 信息熵 | 第40-41页 |
| 4.4.3 信息增益 | 第41-42页 |
| 4.5 实验分析 | 第42-45页 |
| 第五章 基于SVDD的顶锤裂纹分类识别 | 第45-52页 |
| 5.1 支持向量数据描述介绍 | 第45-49页 |
| 5.1.1 支持向量数据描述 | 第45-48页 |
| 5.1.2 分类器相关参数 | 第48-49页 |
| 5.2 基于SVDD的故障诊断模型 | 第49-50页 |
| 5.3 实验分析 | 第50-52页 |
| 第六章 分类器的增量学习算法研究 | 第52-58页 |
| 6.1 引言 | 第52页 |
| 6.2 增量学习简介 | 第52-56页 |
| 6.2.1 基于最小错误率 | 第53页 |
| 6.2.2 基于KKT条件 | 第53-56页 |
| 6.3 增量学习算法流程 | 第56-57页 |
| 6.4 实验分析 | 第57-58页 |
| 第七章 总结与展望 | 第58-60页 |
| 7.1 全文总结 | 第58页 |
| 7.2 研究展望 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62页 |
