基于多模式识别的FBGS故障诊断与预测研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究目的及意义 | 第10-11页 |
| 1.2 FBGS船体故障诊断技术的研究现状 | 第11-14页 |
| 1.2.1 国外研究现状及发展趋势 | 第11-13页 |
| 1.2.2 国内研究现状及发展趋势 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-16页 |
| 第2章 故障诊断与预测技术的基本原理 | 第16-41页 |
| 2.1 概述 | 第16-17页 |
| 2.2 传感器故障诊断的任务及过程 | 第17-24页 |
| 2.2.1 故障诊断与预测的内容 | 第17-18页 |
| 2.2.2 故障诊断与预测的方法 | 第18-22页 |
| 2.2.3 故障诊断与预测的流程 | 第22-24页 |
| 2.3 基于多模式识别的算法研究 | 第24-32页 |
| 2.3.1 支持向量机基本思想 | 第24-29页 |
| 2.3.2 随机森林原理 | 第29-31页 |
| 2.3.3 极限学习机原理 | 第31-32页 |
| 2.4 FBG传感器常见故障类型及产生机理 | 第32-40页 |
| 2.4.1 光纤光栅传感器的适用性 | 第32-33页 |
| 2.4.2 FBG应变传感器故障成因及分类 | 第33-35页 |
| 2.4.3 FBG应变传感器故障类型及模拟信号 | 第35-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第3章 故障特征提取与选择 | 第41-52页 |
| 3.1 概述 | 第41页 |
| 3.2 小波包变换 | 第41-47页 |
| 3.2.1 小波包分解与重构 | 第43页 |
| 3.2.2 小波包变换特征提取分析 | 第43-47页 |
| 3.3 主成分分析PCA | 第47-51页 |
| 3.3.1 主成分分析原理 | 第47-48页 |
| 3.3.2 建模及仿真 | 第48-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第4章 故障诊断与预测技术的研究 | 第52-67页 |
| 4.1 概述 | 第52页 |
| 4.2 基于支持向量机的故障技术研究 | 第52-58页 |
| 4.3 基于随机森林的故障技术研究 | 第58-61页 |
| 4.3.1 随机森林的建立过程 | 第58-60页 |
| 4.3.2 应用随机森林的仿真结果 | 第60-61页 |
| 4.4 基于极限学习机的故障技术研究 | 第61-64页 |
| 4.5 诊断及预测结果对比 | 第64-65页 |
| 4.6 本章小结 | 第65-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-77页 |
| 致谢 | 第77页 |
