| 学位论文数据集 | 第3-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 故障诊断及趋势预测技术 | 第12-13页 |
| 1.2 故障预测方法 | 第13-14页 |
| 1.3 课题研究背景和意义 | 第14-15页 |
| 1.4 课题来源及主要研究内容 | 第15-16页 |
| 第二章 基于自回归模型和灰色模型的时间序列故障预测 | 第16-40页 |
| 2.1 时间序列分析 | 第16页 |
| 2.2 AR模型介绍 | 第16-21页 |
| 2.2.1 模型的识别 | 第16-17页 |
| 2.2.2 模型定阶 | 第17-18页 |
| 2.2.3 模型的参数估计 | 第18-19页 |
| 2.2.4 模型的适应性检验 | 第19-20页 |
| 2.2.5 基于AR模型的时间序列分析建模步骤 | 第20-21页 |
| 2.3 灰色模型应用于时间序列分析 | 第21-23页 |
| 2.4 故障预测实例 | 第23-38页 |
| 2.4.1 实验介绍 | 第23-27页 |
| 2.4.2 时域参数预测分析 | 第27-33页 |
| 2.4.3 小波包能量特征参数预测分析 | 第33-38页 |
| 2.5 本章小结 | 第38-40页 |
| 第三章 基于支持向量机的故障预测 | 第40-50页 |
| 3.1 支持向量机原理 | 第40-42页 |
| 3.1.1 线性可分情况 | 第40-41页 |
| 3.1.2 非线性情况 | 第41-42页 |
| 3.1.3 核函数 | 第42页 |
| 3.2 支持向量回归算法 | 第42-43页 |
| 3.3 基于SVR的故障预测方法 | 第43-44页 |
| 3.4 故障预测实例 | 第44-49页 |
| 3.4.1 有效值SVR预测 | 第44-47页 |
| 3.4.2 小波包频带能量参数SVR预测 | 第47-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 基于遗传算法的寻优预测 | 第50-66页 |
| 4.1 遗传算法概述 | 第50页 |
| 4.2 基本遗传算法步骤 | 第50-54页 |
| 4.2.1 染色体编码与解码 | 第51-52页 |
| 4.2.2 个体适应度的检测评估 | 第52-53页 |
| 4.2.3 遗传算子 | 第53页 |
| 4.2.4 基本遗传算法的运行参数 | 第53-54页 |
| 4.3 基于遗传算法的寻优预测方法 | 第54-56页 |
| 4.4 故障预测实例 | 第56-60页 |
| 4.5 基于遗传算法寻优的SVR预测 | 第60-62页 |
| 4.6 基于遗传算法寻优的灰色预测 | 第62-63页 |
| 4.7 本章小结 | 第63-66页 |
| 第五章 结论与展望 | 第66-68页 |
| 5.1 结论 | 第66页 |
| 5.2 问题与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 研究成果及发表的学术论文 | 第74-76页 |
| 作者和导师简介 | 第76-77页 |
| 附件 | 第77-78页 |