| 摘要 | 第4-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第12-30页 |
| 1.1 引言 | 第12页 |
| 1.2 旋转机械故障诊断研究现状 | 第12-18页 |
| 1.2.1 故障机理研究 | 第13-14页 |
| 1.2.2 特征提取技术的研究 | 第14-15页 |
| 1.2.3 人工智能专家系统与神经网络研究 | 第15-17页 |
| 1.2.4 故障诊断装置的开发和研究 | 第17页 |
| 1.2.5 模式识别技术 | 第17-18页 |
| 1.3 动态模式识别技术现状 | 第18-22页 |
| 1.3.1 递归神经网络(RNN) | 第19-20页 |
| 1.3.2 动态时间规整法(DTW) | 第20-21页 |
| 1.3.3 隐Markov模型 | 第21-22页 |
| 1.4 HMM故障诊断方法的可行性及其意义 | 第22-26页 |
| 1.4.1 HMM在语音识别中的应用 | 第22-25页 |
| 1.4.2 HMM在其它领域中的应用 | 第25页 |
| 1.4.3 HMM故障诊断方法的可行性 | 第25-26页 |
| 1.4.4 研究HMM故障诊断方法的意义 | 第26页 |
| 1.5 本文的研究内容、创新之处及总体结构 | 第26-29页 |
| 1.5.1 本文的研究内容 | 第26-28页 |
| 1.5.2 本文的创新之处 | 第28-29页 |
| 1.5.3 本文的总体结构 | 第29页 |
| 1.6 本章小结 | 第29-30页 |
| 第二章 HMM基本理论、算法以及在故障诊断中的作用 | 第30-52页 |
| 2.1 引言 | 第30页 |
| 2.2 Markov模型 | 第30-32页 |
| 2.3 HMM基本思想 | 第32-35页 |
| 2.3.1 HMM基本概念 | 第33页 |
| 2.3.2 HMM的定义 | 第33-35页 |
| 2.4 HMM基本算法 | 第35-40页 |
| 2.4.1 前向-后向算法 | 第36-38页 |
| 2.4.2 Viterbi算法 | 第38-39页 |
| 2.4.3 Baum-Welch算法 | 第39-40页 |
| 2.5 HMM的类型 | 第40-44页 |
| 2.5.1 按照观测变量分类 | 第40页 |
| 2.5.2 按照Markov链形状分类 | 第40-42页 |
| 2.5.3 其它类型的HMM | 第42-43页 |
| 2.5.4 HMM的拓扑结构 | 第43-44页 |
| 2.6 HMM在实际应用中的改进措施 | 第44-49页 |
| 2.6.1 初始模型的选取 | 第44-45页 |
| 2.6.2 算法下溢问题的处理 | 第45-47页 |
| 2.6.3 关于模型训练的几点考虑 | 第47-49页 |
| 2.7 HMM在故障诊断中的作用 | 第49-51页 |
| 2.8 本章小结 | 第51-52页 |
| 第三章 旋转机械启停机过程DHMM故障诊断方法研究 | 第52-72页 |
| 3.1 引言 | 第52-53页 |
| 3.2 旋转机械启停机过程经典分析方法 | 第53-55页 |
| 3.3 旋转机械启停机过程故障诊断的DHMM方法 | 第55-63页 |
| 3.3.1 振动信号的特征提取 | 第55-56页 |
| 3.3.2 幅值谱矢量的标量量化 | 第56-59页 |
| 3.3.3 多观测样本序列DHMM算法的改进 | 第59-62页 |
| 3.3.4 DHMM故障诊断方法 | 第62-63页 |
| 3.4 诊断实验 | 第63-71页 |
| 3.4.1 旋转机械常见故障及其特征表现 | 第64-65页 |
| 3.4.2 转子启动过程模拟实验 | 第65-68页 |
| 3.4.3 DHMM训练和诊断结果 | 第68-71页 |
| 3.5 本章小结 | 第71-72页 |
| 第四章 旋转机械启停机过程CHMM故障诊断方法研究 | 第72-90页 |
| 4.1 引言 | 第72页 |
| 4.2 旋转机械启停机过程故障诊断的CHMM方法 | 第72-80页 |
| 4.2.1 CHMM的参数表示 | 第72-73页 |
| 4.2.2 CHMM训练算法存在的问题 | 第73-76页 |
| 4.2.3 CHMM训练算法的改进 | 第76-77页 |
| 4.2.4 CHMM模型的训练过程 | 第77-80页 |
| 4.2.5 CHMM故障诊断方法 | 第80页 |
| 4.3 诊断实验 | 第80-87页 |
| 4.3.1 训练样本序列的选取 | 第80-83页 |
| 4.3.2 模型训练结果 | 第83-87页 |
| 4.3.3 诊断结果 | 第87页 |
| 4.4 CHMM和DHMM的对比分析 | 第87-89页 |
| 4.5 本章小结 | 第89-90页 |
| 第五章 多通道振动信息融合的HMM诊断方法研究 | 第90-109页 |
| 5.1 引言 | 第90-92页 |
| 5.2 旋转机械多通道振动监测的动态信息特征 | 第92-93页 |
| 5.3 自组织特征映射神经网络的基本原理 | 第93-99页 |
| 5.3.1 SOM的拓扑结构 | 第93-94页 |
| 5.3.2 SOM的学习算法 | 第94-97页 |
| 5.3.3 SOM矢量聚类编码方法 | 第97-99页 |
| 5.4 多通道振动信息融合HMM故障诊断方法 | 第99-101页 |
| 5.4.1 多通道振动信息融合故障诊断的基本概念 | 第99-100页 |
| 5.4.2 信息融合的HMM故障诊断方法 | 第100-101页 |
| 5.5 故障诊断实验 | 第101-108页 |
| 5.5.1 模拟实验 | 第101页 |
| 5.5.2 SOM矢量编码特征 | 第101-102页 |
| 5.5.3 DHMM模型训练 | 第102-103页 |
| 5.5.4 测试结果 | 第103-108页 |
| 5.5.5 测试结果分析 | 第108页 |
| 5.6 本章小结 | 第108-109页 |
| 第六章 旋转机械运行过程监测的HMM-AR模型研究 | 第109-126页 |
| 6.1 引言 | 第109-111页 |
| 6.2 Kalman-AR模型 | 第111-114页 |
| 6.2.1 Kalman-AR模型的基本思想 | 第111-112页 |
| 6.2.2 状态噪声的估计 | 第112-114页 |
| 6.2.3 有效的学习速率 | 第114页 |
| 6.3 HMM-AR模型 | 第114-118页 |
| 6.3.1 HMM-AR模型的状态空间表示 | 第115-116页 |
| 6.3.2 在线参数估计的EM算法 | 第116-117页 |
| 6.3.3 模型初始化方法 | 第117-118页 |
| 6.4 HMM-AR模型状态监测方法 | 第118-119页 |
| 6.5 数据仿真实验 | 第119-123页 |
| 6.5.1 Kalman-AR和HMM-AR模型的性能 | 第119-121页 |
| 6.5.2 状态序列的重构 | 第121-123页 |
| 6.6 旋转机械运行状态监测实验 | 第123-125页 |
| 6.7 本章小结 | 第125-126页 |
| 第七章 HMM故障诊断软件系统的设计和开发 | 第126-133页 |
| 7.1 引言 | 第126页 |
| 7.2 开发工具简介 | 第126-128页 |
| 7.2.1 Matlab | 第126-127页 |
| 7.2.2 C++Bulider | 第127页 |
| 7.2.3 Matcom中介软件 | 第127-128页 |
| 7.3 C++与Matlab的接口实现方法 | 第128-130页 |
| 7.4 HMM故障诊断软件的基本功能 | 第130-132页 |
| 7.5 本章小结 | 第132-133页 |
| 第八章 结论和展望 | 第133-136页 |
| 8.1 本文总结 | 第133-134页 |
| 8.2 未来展望 | 第134-136页 |
| 参考文献 | 第136-148页 |
| 致谢 | 第148-149页 |
