基于支持向量机的有杆抽油系统工况的诊断研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-12页 |
| ·课题研究的目的及意义 | 第8页 |
| ·国内外发展现状 | 第8-10页 |
| ·国外发展状况 | 第9页 |
| ·国内发展状况 | 第9-10页 |
| ·课题研究主要内容及创新点 | 第10-12页 |
| ·课题研究主要内容 | 第10-11页 |
| ·创新点 | 第11-12页 |
| 第二章 有杆抽油系统故障诊断原理 | 第12-21页 |
| ·有杆抽油系统的组成及工作原理 | 第12-15页 |
| ·示功图的分析 | 第15-16页 |
| ·示功图的概念 | 第15页 |
| ·理论示功图 | 第15-16页 |
| ·有杆抽油系统典型示功图分析 | 第16-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 有杆抽油系统特征参数提取 | 第21-30页 |
| ·不变矩理论 | 第21-24页 |
| ·矩的概念 | 第21-22页 |
| ·矩的意义 | 第22页 |
| ·中心距的归一化处理 | 第22-23页 |
| ·不变矩 | 第23-24页 |
| ·不变矩的修正 | 第24页 |
| ·泵效及上下冲程实测载荷与理论载荷比值的计算 | 第24-25页 |
| ·有杆抽油系统典型工况特征参数的确定 | 第25-26页 |
| ·提取原则 | 第25页 |
| ·特征参数的确定 | 第25-26页 |
| ·特征参数的预处理 | 第26-27页 |
| ·特征参数样本库的建立 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 第四章 统计学习理论与支持向量机 | 第30-41页 |
| ·概述 | 第30页 |
| ·背景机器学习的基本问题 | 第30-31页 |
| ·统计学习理论的核心内容 | 第31-33页 |
| ·VC 维的概念 | 第31-32页 |
| ·推广性的界 | 第32页 |
| ·结构风险最小化原则 | 第32-33页 |
| ·支持向量机 | 第33-38页 |
| ·最优分类超平面 | 第33-34页 |
| ·线性支持向量机 | 第34-36页 |
| ·非线性支持向量机 | 第36-38页 |
| ·核函数 | 第38页 |
| ·多分类支持向量机 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第五章 有杆抽油系统故障诊断实验仿真 | 第41-63页 |
| ·输入向量和输出向量的确定 | 第41-42页 |
| ·输入向量的确定 | 第41页 |
| ·输出向量的确定 | 第41-42页 |
| ·基于支持向量机故障诊断实验仿真 | 第42-55页 |
| ·支持向量机故障诊断流程 | 第42页 |
| ·实验环境 | 第42-44页 |
| ·归一化方式的选择 | 第44-45页 |
| ·核函数的选择 | 第45-46页 |
| ·交叉验证参数寻优 | 第46-48页 |
| ·实验结果 | 第48-55页 |
| ·基于神经网络故障诊断实验仿真 | 第55-61页 |
| ·神经网络故障诊断流程 | 第55页 |
| ·实验环境 | 第55-56页 |
| ·实验结果 | 第56-61页 |
| ·不同分类器诊断结果的比较 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 结论与展望 | 第63-65页 |
| ·本文结论 | 第63-64页 |
| ·展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-68页 |
| 攻读学位期间发表的论文 | 第68-69页 |
| 详细摘要 | 第69-82页 |
