| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题背景意义与应用价值 | 第9-10页 |
| 1.2 故障诊断的方法与分类 | 第10-12页 |
| 1.2.1 基于定性知识经验的诊断 | 第11-12页 |
| 1.2.2 基于分析模型的诊断 | 第12页 |
| 1.2.3 基于数据驱动的诊断 | 第12页 |
| 1.3 基于数据驱动的故障诊断分类 | 第12-15页 |
| 1.3.1 基于多元统计的诊断方法 | 第12-13页 |
| 1.3.2 基于信号处理的诊断方法 | 第13-14页 |
| 1.3.3 基于定量的人工智能诊断方法 | 第14-15页 |
| 1.4 目前存在的问题与发展趋势 | 第15-16页 |
| 1.4.1 目前存在的问题 | 第15页 |
| 1.4.2 发展趋势 | 第15-16页 |
| 1.5 本文研究工作 | 第16页 |
| 1.6 小结 | 第16-17页 |
| 第二章 基于核主元分析的故障诊断 | 第17-30页 |
| 2.1 引言 | 第17-18页 |
| 2.2 主元分析原理与建模 | 第18-21页 |
| 2.3 基于核主元分析的故障诊断原理 | 第21-27页 |
| 2.3.1 核主元分析原理 | 第21-24页 |
| 2.3.2 核主元分析映射数据的标准化问题 | 第24-25页 |
| 2.3.3 核主元分析模型建立 | 第25-26页 |
| 2.3.4 故障检测的实现 | 第26-27页 |
| 2.4 仿真 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于扩散映射的K最近邻故障检测 | 第30-47页 |
| 3.1 引言 | 第30页 |
| 3.2 扩散映射理论 | 第30-35页 |
| 3.2.1 流形的含义 | 第30-31页 |
| 3.2.2 扩散距离的产生及其意义 | 第31-33页 |
| 3.2.3 数据的本征维度估计 | 第33-34页 |
| 3.2.4 数据降维的实现 | 第34-35页 |
| 3.3 K最近邻检测方法 | 第35-37页 |
| 3.3.1 K最近邻检测方法原理及建模 | 第35-36页 |
| 3.3.2 核密度估计法确定临界值 | 第36-37页 |
| 3.4 扩散映射与K最近邻检测法的结合 | 第37-38页 |
| 3.5 TE过程下的仿真 | 第38-46页 |
| 3.5.1 TE过程模型介绍 | 第38-42页 |
| 3.5.2 仿真分析 | 第42-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 基于扩散映射的隐马尔科夫模型故障诊断 | 第47-64页 |
| 4.1 引言 | 第47-48页 |
| 4.2 隐马尔科夫模型理论 | 第48-49页 |
| 4.2.1 隐马尔科夫模型简介 | 第48页 |
| 4.2.2 隐马尔科夫模型参数 | 第48-49页 |
| 4.3 隐马尔科夫模型的3个基本问题 | 第49-55页 |
| 4.3.1 利用前向算法估算P(O|η) | 第49-51页 |
| 4.3.2 Viterbi(维特比)算法 | 第51-53页 |
| 4.3.3 Baum-Welch(鲍姆韦尔奇)算法 | 第53-55页 |
| 4.4 基于扩散映射的隐马尔科夫模型的故障识别 | 第55-58页 |
| 4.4.1 隐马尔科夫模型的训练 | 第55-56页 |
| 4.4.2 基于DM-HMM的故障识别流程 | 第56-58页 |
| 4.5 TE过程下的仿真 | 第58-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69页 |