摘要 | 第4-5页 |
Abstract | 第5-6页 |
1 绪论 | 第10-20页 |
1.1 课题的背景及研究意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-18页 |
1.2.1 国内外武器系统故障诊断研究现状 | 第11-12页 |
1.2.2 自适应分块阈值小波降噪 | 第12-13页 |
1.2.3 潜在故障识别研究现状 | 第13-15页 |
1.2.4 智能诊断研究现状 | 第15-18页 |
1.3 论文的主要内容 | 第18-20页 |
2 供输弹系统故障机理与多场信号采集及预处理 | 第20-44页 |
2.1 转管火炮结构及工作原理 | 第20页 |
2.2 供输弹系统结构及工作原理 | 第20-21页 |
2.3 供输弹系统故障分析 | 第21-23页 |
2.4 供输弹系统多场信号采集 | 第23-26页 |
2.5 试验记录及故障现象 | 第26-27页 |
2.6 多场信息自适应分块阈值小波降噪 | 第27-39页 |
2.6.1 双正交样条小波理论 | 第28-32页 |
2.6.2 自适应分块阈值双正交样条小波降噪 | 第32-36页 |
2.6.3 信号仿真分析 | 第36-39页 |
2.7 供输弹系统多场信息自适应分块阈值双正交样条小波降噪 | 第39-42页 |
2.8 小结 | 第42-44页 |
3 基于PCA与轮廓似然率法的数据降维 | 第44-57页 |
3.1 主成分分析法介绍 | 第44-47页 |
3.1.1 主成分分析法的基本思想 | 第44-45页 |
3.1.2 主成分分析法的数学模型 | 第45-46页 |
3.1.3 主成分分析法的几何解释 | 第46-47页 |
3.2 主成分分析过程 | 第47-51页 |
3.2.1 主成分的导出 | 第47-49页 |
3.2.2 主成分分析计算步骤 | 第49-51页 |
3.3 轮廓似然曲线降维法 | 第51-56页 |
3.3.1 现有的主成分降维法 | 第51-53页 |
3.3.2 基于轮廓似然率法的主成分降维 | 第53-55页 |
3.3.3 轮廓似然率法运用模拟示例 | 第55-56页 |
3.4 小结 | 第56-57页 |
4 基于PCA-KLD的供输弹系统潜在故障识别方法 | 第57-66页 |
4.1 潜在故障检测法 | 第57-64页 |
4.1.1 潜在故障中的噪声模型 | 第57-58页 |
4.1.2 潜在故障表现形式 | 第58-59页 |
4.1.3 信号噪声比及故障噪声比的影响 | 第59页 |
4.1.4 潜在故障检测流程 | 第59-62页 |
4.1.5 基于PCA-KLD的潜在故障诊断法 | 第62-63页 |
4.1.6 威克森等级和检验 | 第63-64页 |
4.2 模拟数据验证 | 第64-65页 |
4.3 小结 | 第65-66页 |
5 供输弹系统多场信息小波时频图样本构建 | 第66-76页 |
5.1 幅频图样本构造 | 第66-69页 |
5.2 小波时频图样本构造 | 第69-70页 |
5.3 多场信息小波时频图计算 | 第70-74页 |
5.3.1 双正交样条小波的选取 | 第70-73页 |
5.3.2 尺度序列的确定 | 第73-74页 |
5.4 小结 | 第74-76页 |
6 供输弹系统PCA模型的KLD计算实现 | 第76-90页 |
6.1 80连发试验PCA模型计算结果 | 第76-81页 |
6.2 60连发试验PCA模型计算结果 | 第81-84页 |
6.3 10连发试验PCA模型计算结果 | 第84-88页 |
6.4 PCA模型分析 | 第88-89页 |
6.5 小结 | 第89-90页 |
7 基于改进深度置信网络的供输弹系统潜在故障预示决策 | 第90-100页 |
7.1 深度置信网络模型 | 第90-93页 |
7.1.1 RBM工作原理介绍 | 第90-92页 |
7.1.2 DBN原理简介 | 第92-93页 |
7.2 DBN改进方法 | 第93-95页 |
7.3 机器学习分类情况对比 | 第95-99页 |
7.3.1 评价指标介绍 | 第95-96页 |
7.3.2 机器学习分类情况对比 | 第96-99页 |
7.4 小结 | 第99-100页 |
8 总结与展望 | 第100-102页 |
8.1 总结 | 第100-101页 |
8.2 展望 | 第101-102页 |
参考文献 | 第102-108页 |
攻读硕士学位期间发表的论文及所取得的研究成果 | 第108-110页 |
致谢 | 第110-111页 |