基于核算法的故障智能诊断理论及方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 1 绪论 | 第12-28页 |
| ·选题背景及意义 | 第12-14页 |
| ·故障智能诊断中的机器学习 | 第14-17页 |
| ·机器学习的发展 | 第14页 |
| ·故障诊断的智能模型 | 第14-17页 |
| ·核算法与故障诊断 | 第17-25页 |
| ·故障诊断存在的主要问题 | 第17-18页 |
| ·统计学习理论的主要内容 | 第18页 |
| ·核算法概述 | 第18-20页 |
| ·支持向量机理论与应用 | 第20-23页 |
| ·线性算法的核变换理论与应用 | 第23-24页 |
| ·核算法的研究内容 | 第24-25页 |
| ·本文的工作 | 第25-28页 |
| ·基本框架结构 | 第25页 |
| ·主要内容 | 第25-28页 |
| 2 基于最小风险的SVM 方法的研究 | 第28-46页 |
| ·引言 | 第28-29页 |
| ·支持向量机 | 第29-31页 |
| ·线性可分 | 第29-30页 |
| ·线性不可分 | 第30页 |
| ·非线性可分 | 第30-31页 |
| ·基于最小风险的SVM 研究 | 第31-38页 |
| ·近年来的工作 | 第31-33页 |
| ·基于几何距离的后验概率概念 | 第33-35页 |
| ·基于最小风险的SVM | 第35-38页 |
| ·仿真研究 | 第38-39页 |
| ·实验研究 | 第39-45页 |
| ·特征参数的提取 | 第40-42页 |
| ·SVM 对电液伺服阀故障模式的识别 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 3 单值SVM 用于故障诊断 | 第46-66页 |
| ·引言 | 第46-47页 |
| ·单值支持向量机 | 第47-51页 |
| ·支持向量的区域描述 | 第47-48页 |
| ·单值ν-SVM | 第48-51页 |
| ·模型分析及选择研究 | 第51-59页 |
| ·训练集的选取及特征选择问题 | 第51页 |
| ·单值SVM 算法的确定 | 第51-52页 |
| ·核函数的选择 | 第52-53页 |
| ·核参数对分类性能的影响 | 第53-59页 |
| ·核函数的参数确定 | 第59-64页 |
| ·留一法误差估计 | 第59-60页 |
| ·改进的留一法误差估计 | 第60-62页 |
| ·实验结果及比较 | 第62-64页 |
| ·基于单值SVM 的故障诊断 | 第64页 |
| ·本章小结 | 第64-66页 |
| 4 单值SVM 时间滚动式学习算法的研究 | 第66-82页 |
| ·引言 | 第66-67页 |
| ·支持向量特点分析 | 第67-69页 |
| ·KKT 条件与样本点的几何分布 | 第67-68页 |
| ·新增训练样本后支持向量的变化 | 第68-69页 |
| ·时间滚动式学习算法 | 第69-73页 |
| ·增量式学习算法 | 第69-73页 |
| ·在线式学习算法 | 第73页 |
| ·液压泵故障预警系统的设计 | 第73-76页 |
| ·特征参数的提取 | 第74-75页 |
| ·预警判断 | 第75-76页 |
| ·液压泵振动理论模型 | 第76页 |
| ·仿真实验 | 第76-80页 |
| ·对非线性函数的逼近 | 第77-78页 |
| ·液压泵故障预警 | 第78-80页 |
| ·本章小结 | 第80-82页 |
| 5 基于单值SVM 的多故障识别 | 第82-94页 |
| ·引言 | 第82页 |
| ·几种常用的多类SVM 方法 | 第82-84页 |
| ·1对余(1-a-r) | 第82-83页 |
| ·1对1(1-a-1) | 第83-84页 |
| ·层次多值分类 | 第84页 |
| ·基于单值SVM 的多值分类 | 第84-91页 |
| ·基于单值SVM 的Bayes 分类器 | 第85-87页 |
| ·多故障分类器的设计 | 第87-91页 |
| ·实验研究 | 第91-93页 |
| ·基准数据识别 | 第91-92页 |
| ·液压泵多故障识别 | 第92-93页 |
| ·本章小结 | 第93-94页 |
| 6 基于SVR 的早期故障预示研究 | 第94-107页 |
| ·引言 | 第94页 |
| ·支持向量回归 | 第94-96页 |
| ·ε不敏感损失函数 | 第94-95页 |
| ·非线性SVR | 第95-96页 |
| ·SVR 性能分析研究 | 第96-99页 |
| ·参数ε的影响 | 第96-97页 |
| ·参数C 的影响 | 第97-98页 |
| ·核参数s 的影响 | 第98-99页 |
| ·基于遗传算法的SVR 参数选择 | 第99-102页 |
| ·遗传算法 | 第99页 |
| ·基于遗传算法的调参策略 | 第99-100页 |
| ·参数选择实验 | 第100-102页 |
| ·基于SVR 的故障预测 | 第102-106页 |
| ·基于SVR 的预测模型 | 第102-103页 |
| ·基于模型的早期故障警示 | 第103-104页 |
| ·仿真实验 | 第104-106页 |
| ·本章小结 | 第106-107页 |
| 7 混沌背景中微弱信号检测 | 第107-116页 |
| ·引言 | 第107页 |
| ·基于SVR 的微弱信号检测 | 第107-111页 |
| ·用SVR 重构相空间 | 第108-110页 |
| ·检测混沌中微弱信号的模型 | 第110-111页 |
| ·仿真实验 | 第111-115页 |
| ·本章小结 | 第115-116页 |
| 8 核矩阵的逼近 | 第116-129页 |
| ·引言 | 第116-117页 |
| ·核矩阵的逼近 | 第117-122页 |
| ·核矩阵的构成 | 第117-118页 |
| ·核矩阵的低秩逼近 | 第118-121页 |
| ·残差估计的界 | 第121页 |
| ·有效秩确定准则 | 第121-122页 |
| ·贪心算法 | 第122-125页 |
| ·子集的选择 | 第122-123页 |
| ·向前贪心算法 | 第123-124页 |
| ·向后贪心算法 | 第124页 |
| ·混合贪心算法 | 第124-125页 |
| ·实验研究 | 第125-128页 |
| ·再生核Hilbert 空间的回归 | 第125-127页 |
| ·实验测试 | 第127-128页 |
| ·本章小结 | 第128-129页 |
| 9 结论与展望 | 第129-131页 |
| ·内容总结 | 第129-130页 |
| ·展望 | 第130-131页 |
| 致谢 | 第131-132页 |
| 参考文献 | 第132-147页 |
| 附录 | 第147-149页 |
| 攻读博士学位期间的研究成果 | 第149-150页 |
