| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题背景及研究的目的和意义 | 第11-12页 |
| 1.2 旋转机械故障识别技术研究现状 | 第12-16页 |
| 1.2.1 旋转机械故障识别的主要内容 | 第12-15页 |
| 1.2.2 旋转机械故障识别技术的研究现状 | 第15-16页 |
| 1.3 流形学习的研究现状及分析 | 第16-18页 |
| 1.3.1 流形学习算法的研究现状 | 第16-17页 |
| 1.3.2 流形学习的应用领域分析 | 第17-18页 |
| 1.4 本文的主要内容 | 第18-19页 |
| 第2章 流形学习的基本原理 | 第19-31页 |
| 2.1 流形学习的基本概念 | 第19-23页 |
| 2.1.1 机器学习 | 第19-20页 |
| 2.1.2 流形的概念 | 第20-21页 |
| 2.1.3 流形学习 | 第21-22页 |
| 2.1.4 常见的几种流形学习方法 | 第22-23页 |
| 2.2 等距映射算法 | 第23-28页 |
| 2.2.1 算法的简介 | 第24-27页 |
| 2.2.2 等距映射与MDS和PCA | 第27-28页 |
| 2.3 流形学习的原始应用 | 第28-30页 |
| 2.3.1 人脸识别 | 第28-29页 |
| 2.3.2 瑞士卷数据集 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于流形学习的故障识别方法研究 | 第31-46页 |
| 3.1 改进的流形学习在模式识别中的应用 | 第31-37页 |
| 3.1.1 改进的流形学习 | 第31-32页 |
| 3.1.2 仿真验证 | 第32-34页 |
| 3.1.3 流形学习的高聚类性 | 第34-37页 |
| 3.2 IMF特征能量 | 第37-45页 |
| 3.2.1 固有模态函数 | 第37-38页 |
| 3.2.2 EMD基本原理 | 第38-41页 |
| 3.2.3 IMF特征能量 | 第41页 |
| 3.2.4 传统特征提取方法 | 第41-44页 |
| 3.2.5 实验验证 | 第44-45页 |
| 3.3 本章小结 | 第45-46页 |
| 第4章 基于流形学习的旋转机械故障识别 | 第46-60页 |
| 4.1 旋转机械故障模拟实验系统 | 第46-51页 |
| 4.1.1 机械故障综合模拟实验台 | 第46-49页 |
| 4.1.2 基于Lab VIEW的数据采集系统 | 第49-51页 |
| 4.2 基于流形学习的轴承故障识别 | 第51-55页 |
| 4.2.1 实验过程 | 第51-52页 |
| 4.2.2 数据处理流程 | 第52-53页 |
| 4.2.3 数据分析及结果 | 第53-54页 |
| 4.2.4 实验小结 | 第54-55页 |
| 4.3 基于流形学习的齿轮故障识别 | 第55-57页 |
| 4.3.1 实验过程 | 第55-56页 |
| 4.3.2 数据分析及结果 | 第56-57页 |
| 4.4 故障程度与工况对故障识别的影响研究 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 基于流形学习的风电机组状态监测与故障诊断系统 | 第60-75页 |
| 5.1 风电机组智能诊断系统 | 第60-62页 |
| 5.1.1 风机智能诊断系统现状 | 第61页 |
| 5.1.2 风机智能诊断系统的概述 | 第61-62页 |
| 5.2 风电机组在线监测与远程故障诊断系统 | 第62-65页 |
| 5.2.1 硬件架构 | 第62-64页 |
| 5.2.2 软件支持 | 第64-65页 |
| 5.3 应用实例 | 第65-74页 |
| 5.3.1 发电机后轴承故障诊断 | 第66-71页 |
| 5.3.2 齿轮箱高速轴齿轮故障诊断 | 第71-74页 |
| 5.4 本章小结 | 第74-75页 |
| 结论 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 攻读硕士学位期间承担的科研任务与主要研究成果 | 第81-83页 |
| 致谢 | 第83-84页 |
| 作者简介 | 第84页 |