摘要 | 第6-8页 |
ABSTRACT | 第8-9页 |
第1章 绪论 | 第13-28页 |
1.1 课题来源 | 第13页 |
1.2 课题研究背景及意义 | 第13-15页 |
1.3 设备状态检测与故障诊断技术的研究现状 | 第15-21页 |
1.4 人工免疫系统的应用与发展 | 第21-25页 |
1.4.1 阴性选择和阳性选择算法及异常检测应用 | 第21-22页 |
1.4.2 人工免疫网络研究与应用 | 第22-24页 |
1.4.3 人工免疫系统的发展趋势 | 第24-25页 |
1.5 论文的主要研究内容及章节安排 | 第25-28页 |
第2章 基于可变阈值信息检测器的阳性选择算法 | 第28-45页 |
2.1 引言 | 第28-29页 |
2.2 用于抗原-抗体亲和度识别的分散增量理论 | 第29-30页 |
2.3 可变阈值信息检测器 | 第30-36页 |
2.3.1 检测器的匹配及其所存在的问题 | 第30-35页 |
2.3.2 可变阈值信息检测器的概念及定义 | 第35-36页 |
2.4 基于可变阈值信息检测器的设备异常度检测方法 | 第36-37页 |
2.5 设备异常及异常度检测的仿真试验与实例分析 | 第37-44页 |
2.5.1 Iris 数据集下的数据仿真分析 | 第37-42页 |
2.5.2 轴承异常度检测实例分析 | 第42-44页 |
2.6 本章小结 | 第44-45页 |
第3章 反面势场阴性选择算法 | 第45-66页 |
3.1 引言 | 第45页 |
3.2 数据势场的概念与定义 | 第45-49页 |
3.2.1 物理场与数据场之间的关系 | 第45-47页 |
3.2.2 数据势场的概念 | 第47-49页 |
3.3 反势场阴性选择算法 | 第49-51页 |
3.3.1 基于反势场阴性选择的异常检测算法 | 第49-50页 |
3.3.2 反势场群体检测器与非参数密度估计之间的关系 | 第50-51页 |
3.4 影响因子δ的选择 | 第51-55页 |
3.5 基于反势场阴性选择算法的设备异常度检测方法 | 第55-56页 |
3.6 反势场阴性选择算法的仿真试验与实例分析 | 第56-64页 |
3.6.1 Iris 数据集的数据仿真与分析 | 第56-62页 |
3.6.2 轴承异常度检测实例分析 | 第62-64页 |
3.7 本章小结 | 第64-66页 |
第4章 基于可变权值人工免疫识别系统(V-AIRS)的设备故障诊断研究 | 第66-88页 |
4.1 引言 | 第66-67页 |
4.2 人工免疫识别系统(AIRS)概述 | 第67-68页 |
4.3 AIRS 算法中的偏向效应及对分类作用影响 | 第68-71页 |
4.3.1 抗原抗体结合的偏向效应 | 第68-70页 |
4.3.2 候选记忆细胞网络抑制作用对分类作用影响 | 第70-71页 |
4.4 可变权值人工免疫识别系统(V-AIRS) | 第71-78页 |
4.4.1 V-AIRS 算法流程 | 第71-73页 |
4.4.2 V-AIRS 算法描述 | 第73-78页 |
4.5 V-AIRS 算法与其它几种分类算法的性能对比研究 | 第78-84页 |
4.5.1 数据分类准确率的统计方法 | 第79页 |
4.5.2 V-AIRS 与 AIRS 的对比分析 | 第79-84页 |
4.6 V-AIRS 用于轴承故障诊断实例 | 第84-87页 |
4.7 本章小结 | 第87-88页 |
第5章 异常度检测和故障诊断的融合方法研究 | 第88-104页 |
5.1 引言 | 第88页 |
5.2 设备状态空间的划分 | 第88-90页 |
5.3 设备异常度检测和故障诊断的融合方法 | 第90-95页 |
5.3.1 异常度检测和故障诊断的融合机理 | 第90-93页 |
5.3.2 异常度检测和故障诊断相融合的步骤 | 第93-95页 |
5.4 应用实例分析 | 第95-102页 |
5.4.1 训练和测试数据集的选取 | 第95-96页 |
5.4.2 在线异常检测和故障诊断模型的训练 | 第96-102页 |
5.5 本章小结 | 第102-104页 |
第6章 结论与展望 | 第104-107页 |
6.1 研究结论 | 第104-105页 |
6.2 研究展望 | 第105-107页 |
参考文献 | 第107-121页 |
作者在攻读博士学位期间的主要成果 | 第121-123页 |
作者在攻读博士学位期间参与的科研项目及所获奖励 | 第123-124页 |
致谢 | 第124-125页 |