| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-11页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 选题目的和意义 | 第11页 |
| 1.2 故障诊断的主要方法及现状 | 第11-15页 |
| 1.2.1 基于解析模型的方法 | 第12-13页 |
| 1.2.2 基于数据驱动的方法 | 第13-14页 |
| 1.2.3 基于知识的方法 | 第14-15页 |
| 1.3 电动执行器的故障诊断 | 第15-16页 |
| 1.4 本文的主要内容 | 第16-17页 |
| 第2章 电动执行器硬件设计及故障分析 | 第17-31页 |
| 2.1 引言 | 第17页 |
| 2.2 电动执行器基本原理 | 第17-19页 |
| 2.2.1 电动执行器工作原理 | 第17-18页 |
| 2.2.2 电动执行器系统原理 | 第18-19页 |
| 2.3 电动执行器硬件设计 | 第19-23页 |
| 2.3.1 微处理器 | 第19-20页 |
| 2.3.2 外围电路设计 | 第20-23页 |
| 2.4 电动执行器故障分析 | 第23-26页 |
| 2.4.1 电动执行器增益故障的描述 | 第23页 |
| 2.4.2 单片机控制器故障误差 | 第23-25页 |
| 2.4.3 电动执行器典型故障分析 | 第25-26页 |
| 2.5 电动执行器故障数据采集 | 第26-29页 |
| 2.6 本章小结 | 第29-31页 |
| 第3章 基于PCA的电动执行器故障特征提取方法研究 | 第31-45页 |
| 3.1 主元分析法概述 | 第31页 |
| 3.2 主元分析法降维 | 第31-38页 |
| 3.2.1 基本思想几何意义 | 第31-33页 |
| 3.2.2 主元计算推导过程 | 第33-36页 |
| 3.2.3 数据重构与降维 | 第36-37页 |
| 3.2.4 主元个数的确定 | 第37-38页 |
| 3.3 改进主元分析的方法及理论依据 | 第38-40页 |
| 3.4 电动执行器故障数据的特征提取 | 第40-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 基于LS-SVM的故障分类器设计及结果分析 | 第45-71页 |
| 4.1 支持向量机理论 | 第45-54页 |
| 4.1.1 支持向量机分类 | 第45-50页 |
| 4.1.2 核函数 | 第50-51页 |
| 4.1.3 多分类的支持向量机 | 第51-54页 |
| 4.2 最小二乘支持向量机 | 第54-57页 |
| 4.2.1 最小二乘支持向量机分类 | 第54-56页 |
| 4.2.2 最小二乘支持向量机的特性 | 第56-57页 |
| 4.3 基于LS-SVM的电动执行器故障分类方法研究 | 第57-65页 |
| 4.3.1 故障模式的确定及核参数的选择 | 第57-58页 |
| 4.3.2 模型参数优化 | 第58-59页 |
| 4.3.3 基于LS-SVM的最优故障诊断模型 | 第59-65页 |
| 4.4 电动执行器故障诊断结果及对比分析 | 第65-70页 |
| 4.4.1 基于PCA与LS-SVM的最优故障诊断模型建立 | 第65-67页 |
| 4.4.2 基于BP神经网络的故障诊断模型建立 | 第67-69页 |
| 4.4.3 故障诊断模型的比较 | 第69-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第5章 结论 | 第71-73页 |
| 5.1 文章总结 | 第71-72页 |
| 5.2 研究展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77页 |
