| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 第一章 绪论 | 第7-15页 |
| ·风机故障预测的研究意义和方法 | 第7-8页 |
| ·风机故障趋势预测的研究意义 | 第7-8页 |
| ·国内外风机故障诊断的研究方法、现状及发展趋势 | 第8-13页 |
| ·风机故障诊断国内外研究概况 | 第8-10页 |
| ·风机故障趋势预测的研究方法 | 第10-12页 |
| ·风机故障诊断技术的发展趋势 | 第12-13页 |
| ·本文的研究内容和结构 | 第13-15页 |
| 第二章 小波分析理论及其在风机故障诊断中的应用 | 第15-30页 |
| ·小波分析简介 | 第15页 |
| ·Fourier变换(FT) | 第15-16页 |
| ·窗口Fourier变换 | 第16-17页 |
| ·小波变换 | 第17-20页 |
| ·小波、小波变换的定义和条件 | 第17-18页 |
| ·小波变换的自适应时—频窗 | 第18-20页 |
| ·离散小波变换(Discrete Wavelet Transform,DWT) | 第20页 |
| ·多分辨分析 | 第20-21页 |
| ·多分辨分析 | 第20-21页 |
| ·小波与小波包分解与重构算法 | 第21-23页 |
| ·Mallat合成与分解算法 | 第21-22页 |
| ·小波包Mallat算法 | 第22-23页 |
| ·小波(包)分析在风机故障诊断中的应用 | 第23-29页 |
| ·小波分析对突变信号的分析 | 第24-25页 |
| ·小波分析对含噪声信号的分析 | 第25-27页 |
| ·小波分析对长趋势信号的检测 | 第27-28页 |
| ·调频信号的小波包分析 | 第28-29页 |
| ·小结 | 第29-30页 |
| 第三章 统计学习理论与支持向量机 | 第30-41页 |
| ·统计学习理论 | 第30-32页 |
| ·VC维理论 | 第30页 |
| ·经验风险最小原则 | 第30-31页 |
| ·结构风险最小化原则 | 第31-32页 |
| ·支持向量和最优分类面 | 第32-35页 |
| ·非线性支持向量机 | 第35-36页 |
| ·支持向量回归(SVR) | 第36-39页 |
| ·支持向量机研究现状以及应用 | 第39-40页 |
| ·支持向量机理论的研究现状 | 第39-40页 |
| ·支持向量机的应用概况 | 第40页 |
| ·小结 | 第40-41页 |
| 第四章 基于AR(p)模型和支持向量机的风机故障趋势预测 | 第41-67页 |
| ·风机振动噪声诊断机理研究 | 第41-43页 |
| ·风机的振动原因及诊断依据 | 第41-42页 |
| ·风机的噪声分析 | 第42-43页 |
| ·时间序列和随机过程 | 第43页 |
| ·自回归(AR)模型 | 第43-46页 |
| ·模型概述 | 第43-44页 |
| ·AR模型系数和阶次的确定 | 第44-45页 |
| ·AR(p)模型预测 | 第45-46页 |
| ·基于支持向量机的风机故障预测方法 | 第46-48页 |
| ·支持向量机预测 | 第46-48页 |
| ·风机振动时间序列趋势试验及状态预测 | 第48-60页 |
| ·实验装置和预测方案 | 第48-50页 |
| ·训练与测试样本确定 | 第50-51页 |
| ·样本数据标准化 | 第51页 |
| ·小波基函数与分解参数的选取 | 第51-59页 |
| ·预测性能评价指标 | 第59-60页 |
| ·支持向量机参数对预测结果的影响分析 | 第60-64页 |
| ·支持向量机的C值影响 | 第60-61页 |
| ·ε值的预测影响 | 第61-62页 |
| ·p_1值影响 | 第62页 |
| ·核函数影响 | 第62-64页 |
| ·同一测点不同测量方向上的风机故障趋势预测 | 第64-66页 |
| ·小结 | 第66-67页 |
| 第五章 全文总结与展望 | 第67-69页 |
| ·全文总结 | 第67页 |
| ·展望 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 附录1 | 第75-78页 |
| 附录2 | 第78-91页 |
| 致谢 | 第91-92页 |
| 攻读学位期间发表学术论文 | 第92-93页 |
| 学位论文原创性声明 | 第93页 |
| 学位论文使用授权声明 | 第93页 |