直升机旋翼异常检测算法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 注释表 | 第10-11页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 论文选题背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究内容、研究方法和研究技术路线 | 第14-16页 |
| 1.3.1 研究内容 | 第14页 |
| 1.3.2 研究方法 | 第14-15页 |
| 1.3.3 研究技术路线 | 第15页 |
| 1.3.4 研究可行性分析 | 第15-16页 |
| 1.4 本文的章节安排 | 第16-18页 |
| 第二章 相关理论基础 | 第18-31页 |
| 2.1 振动数据特征提取 | 第18-20页 |
| 2.1.1 时域和频域特征提取 | 第18-19页 |
| 2.1.2 时频特征特取 | 第19-20页 |
| 2.2 异常值相关理论 | 第20-22页 |
| 2.2.1 异常值定义 | 第20-21页 |
| 2.2.2 异常值产生原因 | 第21-22页 |
| 2.2.3 异常值分类 | 第22页 |
| 2.3 异常检测算法 | 第22-27页 |
| 2.3.1 有监督的异常检测方法 | 第22-23页 |
| 2.3.2 无监督的异常检测方法 | 第23-25页 |
| 2.3.3 半监督的异常检测算法 | 第25页 |
| 2.3.4 异常检测方法的评价指标 | 第25-27页 |
| 2.4 基于SVDD的异常检测算法 | 第27-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 直升机旋翼振动数据特征提取方法 | 第31-51页 |
| 3.1 直升机旋翼振动数据 | 第31-33页 |
| 3.2 时域统计参数的特征提取方法 | 第33-35页 |
| 3.3.1 时域统计参数特征 | 第33-35页 |
| 3.3.2 归一化方法 | 第35页 |
| 3.3 基于IMF奇异值熵的特征提取方法 | 第35-37页 |
| 3.3.3 经验模式分解 | 第35-37页 |
| 3.3.4 奇异值分解 | 第37页 |
| 3.3.5 基于IMF奇异值熵的特征 | 第37页 |
| 3.4 基于短时傅里叶变换的特征提取方法 | 第37-39页 |
| 3.4.1 短时傅里叶变换 | 第38-39页 |
| 3.4.2 基于STFT的特征 | 第39页 |
| 3.5 实验分析 | 第39-49页 |
| 3.5.1 基于时域统计参数的特征 | 第40-43页 |
| 3.5.2 基于IMF奇异值熵的特征 | 第43-46页 |
| 3.5.3 基于短时傅里叶变换的特征 | 第46-49页 |
| 3.6 本章小结 | 第49-51页 |
| 第四章 多模型集成的异常检测算法研究 | 第51-64页 |
| 4.1 集成学习 | 第51-53页 |
| 4.2 多模型集成的异常检测算法 | 第53-58页 |
| 4.2.1 基异常检测模型 | 第53-56页 |
| 4.2.2 多模型集成的异常检测算法 | 第56-58页 |
| 4.3 实验分析 | 第58-62页 |
| 4.4 本章小结 | 第62-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 本文总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 在学期间的研究成果及发表的学术论文 | 第71页 |
