摘要 | 第3-4页 |
ABSTRACT | 第4-5页 |
第1章 绪论 | 第9-15页 |
1.1 课题来源与研究意义 | 第9-10页 |
1.1.1 课题来源 | 第9页 |
1.1.2 研究背景与意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-13页 |
1.2.1 贝叶斯方法的起源 | 第10页 |
1.2.2 非参数贝叶斯方法 | 第10-11页 |
1.2.3 非参数贝叶斯研究现状 | 第11-13页 |
1.3 研究内容及技术路线 | 第13-15页 |
1.3.1 研究内容 | 第13页 |
1.3.2 技术路线 | 第13-15页 |
第2章 振动信号的同源多模态特征提取 | 第15-25页 |
2.1 引言 | 第15页 |
2.2 时域模态特征提取 | 第15页 |
2.2.1 时域特征提取 | 第15页 |
2.2.2 时域模态构造 | 第15页 |
2.3 频域模态特征提取 | 第15-17页 |
2.3.1 频域特征参数 | 第16-17页 |
2.3.2 频域模态构造 | 第17页 |
2.4 时频域模态特征提取 | 第17-24页 |
2.4.1 自适应信号处理方法 | 第18-19页 |
2.4.2 改进的CEEMD方法 | 第19-22页 |
2.4.3 样本熵 | 第22-23页 |
2.4.4 基于CEEMD与样本熵的故障特征提取 | 第23-24页 |
2.4.5 时频域模态构造 | 第24页 |
2.5 同源多模态特征提取 | 第24页 |
2.6 本章小结 | 第24-25页 |
第3章 基于高斯深度玻尔兹曼机的故障特征降维 | 第25-34页 |
3.1 引言 | 第25页 |
3.2 受限玻尔兹曼机 | 第25-27页 |
3.3 深度玻尔兹曼机 | 第27-29页 |
3.4 高斯伯努利深度玻尔兹曼机 | 第29-31页 |
3.5 基于GDBM的特征降维模型 | 第31-33页 |
3.6 本章小结 | 第33-34页 |
第4章 基于Dirichlet混合模型的机械设备故障诊断方法研究 | 第34-61页 |
4.1 引言 | 第34页 |
4.2 Dirichlet混合模型 | 第34-38页 |
4.2.1 Dirichlet过程 | 第34-35页 |
4.2.2 构造方法 | 第35-37页 |
4.2.3 Dirichlet混合模型 | 第37-38页 |
4.3 参数估计 | 第38-39页 |
4.3.1 参数s和G的先验分布 | 第38-39页 |
4.3.2 参数π的先验分布 | 第39页 |
4.4 参数的后验分布 | 第39-40页 |
4.5 实例分析 | 第40-60页 |
4.5.1 压缩机实验台介绍 | 第40-46页 |
4.5.2 实验流程 | 第46页 |
4.5.3 实验结果分析 | 第46-60页 |
4.6 本章小结 | 第60-61页 |
第5章 基于等级非参数贝叶斯的设备变工况诊断方法研究 | 第61-72页 |
5.1 引言 | 第61页 |
5.2 等级贝叶斯模型 | 第61-67页 |
5.2.1 相关工作 | 第61-62页 |
5.2.2 等级贝叶斯模型 | 第62-64页 |
5.2.3 建立超类数目模型 | 第64-65页 |
5.2.4 模型参数推断 | 第65-66页 |
5.2.5 一次学习理论 | 第66-67页 |
5.3 实验分析 | 第67-70页 |
5.3.1 实验数据 | 第67-68页 |
5.3.2 实验一 | 第68-69页 |
5.3.3 实验二 | 第69-70页 |
5.4 本章小结 | 第70-72页 |
第6章 结论 | 第72-73页 |
6.1 结论 | 第72页 |
6.2 展望 | 第72-73页 |
参考文献 | 第73-78页 |
致谢 | 第78页 |