| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 设备故障诊断技术发展趋势 | 第11页 |
| 1.3 往复式压缩机故障诊断技术研究现状 | 第11-13页 |
| 1.4 往复式压缩机的常见故障和故障诊断方法 | 第13-15页 |
| 1.4.1 往复式压缩机的常见故障 | 第13页 |
| 1.4.2 往复式压缩机的故障诊断方法 | 第13-15页 |
| 1.5 本论文的结构安排 | 第15-17页 |
| 第二章 支持向量机理论研究 | 第17-26页 |
| 2.1 统计学习理论 | 第17-21页 |
| 2.1.1 机器学习问题 | 第17-18页 |
| 2.1.2 VC维 | 第18-19页 |
| 2.1.3 结构风险最小化原则 | 第19-21页 |
| 2.2 支持向量机理论 | 第21-24页 |
| 2.2.1 最优分类超平面 | 第21-23页 |
| 2.2.2 核函数 | 第23-24页 |
| 2.3 支持向量机的多分类方法 | 第24-25页 |
| 2.3.1 一对多方法 | 第24-25页 |
| 2.3.2 一对一方法 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 往复式压缩机气阀振动信号分析 | 第26-39页 |
| 3.1 气阀故障数据 | 第26-27页 |
| 3.2 EMD方法 | 第27-29页 |
| 3.2.1 本征模态函数 | 第27页 |
| 3.2.2 EMD理论 | 第27-29页 |
| 3.3 EMD的端点效应 | 第29-35页 |
| 3.3.1 端点效应的概念 | 第29-30页 |
| 3.3.2 抑制EMD端点效应的方法 | 第30-32页 |
| 3.3.3 镜像闭合延拓方法的应用 | 第32-35页 |
| 3.4 Hilbert变换 | 第35-36页 |
| 3.5 气阀故障信号的Hilbert谱分析 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 支持向量机在气阀故障诊断中的应用 | 第39-51页 |
| 4.1 基于能量的特征提取 | 第39-42页 |
| 4.1.1 提取步骤 | 第39-40页 |
| 4.1.2 实例验证 | 第40-42页 |
| 4.2 基于样本熵的特征提取 | 第42-45页 |
| 4.2.1 提取步骤 | 第42-43页 |
| 4.2.2 实例验证 | 第43-45页 |
| 4.3 基于SVM的气阀故障识别 | 第45-50页 |
| 4.3.1 基于交叉验证的参数优化 | 第45-47页 |
| 4.3.2 基于遗传算法的参数优化 | 第47-48页 |
| 4.3.3 基于粒子群优化算法的参数优化 | 第48-50页 |
| 4.3.4 结果比较 | 第50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于支持向量机的特征选择在气阀故障诊断中的应用 | 第51-71页 |
| 5.1 特征选择的框架 | 第51-56页 |
| 5.1.1 子集生成 | 第52-53页 |
| 5.1.2 子集评价 | 第53-56页 |
| 5.1.3 停止条件 | 第56页 |
| 5.1.4 结果验证 | 第56页 |
| 5.2 基于ReliefF-SBS的特征选择方法 | 第56-62页 |
| 5.2.1 ReliefF算法 | 第56-57页 |
| 5.2.2 特征选择流程 | 第57-58页 |
| 5.2.3 实例验证 | 第58-62页 |
| 5.3 基于SVM-SBS的特征选择方法 | 第62-65页 |
| 5.3.1 方法介绍 | 第62-63页 |
| 5.3.2 实例验证 | 第63-65页 |
| 5.4 改进的基于SVM-SBS的特征选择方法 | 第65-70页 |
| 5.4.1 改进措施 | 第65-66页 |
| 5.4.2 实例验证 | 第66-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 全文总结 | 第71页 |
| 6.2 后续工作展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |