基于HVD和相关向量机的转子多故障分类优化
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 选题背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 信号分析与特征提取的研究现状 | 第9-11页 |
| 1.2.2 智能故障识别方法的研究现状 | 第11-12页 |
| 1.3 本文的主要研究内容 | 第12-14页 |
| 第2章 基于HVD分解的转子故障信号分析 | 第14-28页 |
| 2.1 HVD分析方法 | 第14-16页 |
| 2.1.1 希尔伯特变换 | 第14-15页 |
| 2.1.2 希尔伯特振动分解法 | 第15-16页 |
| 2.2 几种时频分析法的实验对比 | 第16-19页 |
| 2.3 HVD虚假分量识别方法 | 第19-21页 |
| 2.3.1 K-L散度 | 第19-20页 |
| 2.3.2 互信息 | 第20页 |
| 2.3.3 互相关系数 | 第20-21页 |
| 2.4 综合指标法辨别虚假分量 | 第21-22页 |
| 2.4.1 聚类分析 | 第21-22页 |
| 2.4.2 基于聚类分析的HVD虚假分量识别 | 第22页 |
| 2.5 实验研究 | 第22-27页 |
| 2.6 本章总结 | 第27-28页 |
| 第3章 基于相关向量机的故障诊断 | 第28-39页 |
| 3.1 相关向量机 | 第28-31页 |
| 3.1.1 贝叶斯学习过程 | 第28页 |
| 3.1.2 贝叶斯统计模型 | 第28-29页 |
| 3.1.3 相关向量分类机 | 第29-30页 |
| 3.1.4 核函数的选择 | 第30-31页 |
| 3.2 特征提取方法研究 | 第31-33页 |
| 3.2.1 近似熵 | 第31-32页 |
| 3.2.2 模糊熵 | 第32-33页 |
| 3.2.3 HVD能量熵 | 第33页 |
| 3.3 转子实验台实例分析 | 第33-38页 |
| 3.3.1 故障信号特征提取方法评估 | 第33-35页 |
| 3.3.2 基于二叉树的相关向量机多分类结果 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于RVM的多分类系统优化研究 | 第39-49页 |
| 4.1 多分类模型 | 第39-41页 |
| 4.1.1“一对多”多分类算法 | 第39页 |
| 4.1.2“一对一”多分类方法 | 第39-40页 |
| 4.1.3 有向无环图算法 | 第40页 |
| 4.1.4 二叉树算法 | 第40-41页 |
| 4.2 二叉树结构选择优化 | 第41-42页 |
| 4.3 基于分数范数的高斯核函数空间可分性指标 | 第42-46页 |
| 4.3.1 高斯核函数空间样本点形式探究 | 第42-43页 |
| 4.3.2 高维空间中分数范数在距离度量中的优势 | 第43-45页 |
| 4.3.3 高维空间可分性指标求解过程 | 第45-46页 |
| 4.4 实验研究 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 结论与展望 | 第49-51页 |
| 5.1 本文工作结论 | 第49页 |
| 5.2 研究展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士学位期间发表的学术论文及其他成果 | 第55-56页 |
| 致谢 | 第56页 |
