摘要 | 第5-7页 |
ABSTRACT | 第7-9页 |
第一章 绪论 | 第13-33页 |
1.1 研究背景与意义 | 第13-14页 |
1.2 振动信号数据集的采集及其特性分析 | 第14-23页 |
1.2.1 振动信号数据集的采集 | 第14-19页 |
1.2.2 强噪声背景下振动信号的特性分析 | 第19-23页 |
1.3 基于振动信号的智能故障诊断技术研究现状 | 第23-29页 |
1.3.1 振动信号降噪技术 | 第24-25页 |
1.3.2 故障特征提取 | 第25-26页 |
1.3.3 智能故障诊断技术 | 第26-29页 |
1.4 本论文研究方法的提出 | 第29-30页 |
1.5 主要研究内容和技术路线 | 第30-32页 |
1.6 论文内容安排 | 第32-33页 |
第二章 强噪声振动信号的自适应稀疏树结构降噪方法 | 第33-56页 |
2.1 双树复小波变换 | 第34-37页 |
2.2 构建具有自适应权值的重叠组LASSO稀疏树结构 | 第37-40页 |
2.3 基于DTCWT的信号特征检测算法 | 第40-44页 |
2.4 具有自适应权值的稀疏树结构的优化 | 第44-45页 |
2.5 基于自适应稀疏树结构的降噪算法 | 第45-46页 |
2.6 实验与分析 | 第46-55页 |
2.6.1 故障样本集描述 | 第46-47页 |
2.6.2 基于DTCWT的特征检测算法的参数设置 | 第47-48页 |
2.6.3 实验结果与分析 | 第48-55页 |
2.7 本章小结 | 第55-56页 |
第三章 基于三阶段多核学习框架的非线性特征提取方法 | 第56-75页 |
3.1 三阶段多核学习框架 | 第57-58页 |
3.2 TS-MKL-KDA特征提取方法 | 第58-63页 |
3.2.1 基核函数的选择标准 | 第59-61页 |
3.2.2 基核函数的组合准则 | 第61-62页 |
3.2.3 TS-MKL-KDA特征提取方法 | 第62-63页 |
3.3 实验与分析 | 第63-73页 |
3.3.1 故障样本集与实验步骤描述 | 第63-66页 |
3.3.2 TS-MKL-KDA算法的参数设置 | 第66-67页 |
3.3.3 实验结果与分析 | 第67-73页 |
3.4 本章小结 | 第73-75页 |
第四章 基于聚类判别流形正则化框架的极限学习机半监督学习模型 | 第75-100页 |
4.1 MOFOA-CDMR-ELM半监督学习模型 | 第76-89页 |
4.1.1 极限学习机 | 第76-77页 |
4.1.2 聚类判别流形正则化框架 | 第77-81页 |
4.1.3 CDMR-ELM半监督学习模型 | 第81-82页 |
4.1.4 基于MOFOA的CDMR-ELM模型参数优化算法 | 第82-89页 |
4.2 MOFOA-CDMR-ELM半监督学习算法 | 第89-90页 |
4.3 实验与分析 | 第90-99页 |
4.3.1 故障样本集描述 | 第90-91页 |
4.3.2 各学习模型的参数设置 | 第91页 |
4.3.3 实验结果与分析 | 第91-99页 |
4.4 本章小结 | 第99-100页 |
第五章 基于配对稀疏贝叶斯极限学习机的主减速器智能故障诊断模型 | 第100-128页 |
5.1 基于配对稀疏贝叶斯极限学习机的分类模型 | 第100-113页 |
5.1.1 基于稀疏贝叶斯极限学习机的故障分类算法 | 第100-107页 |
5.1.2 基于配对稀疏贝叶斯极限学习机的分类模型 | 第107-108页 |
5.1.3 基于信息融合的输出概率计算 | 第108-110页 |
5.1.4 确定最优决策阈值 | 第110-112页 |
5.1.5 基于F1-measure指标的性能评价 | 第112-113页 |
5.2 基于配对稀疏贝叶斯极限学习机的主减速器智能故障诊断模型 | 第113-115页 |
5.3 实验与分析 | 第115-127页 |
5.3.1 故障样本集描述 | 第115-118页 |
5.3.2 诊断模型的参数设置 | 第118页 |
5.3.3 实验结果与分析 | 第118-127页 |
5.4 本章小结 | 第127-128页 |
第六章 总结与展望 | 第128-130页 |
6.1 主要工作总结 | 第128页 |
6.2 研究展望 | 第128-130页 |
致谢 | 第130-131页 |
参考文献 | 第131-140页 |
攻读博士期间参与科研项目及发表论文情况 | 第140-141页 |
参与的科研项目 | 第140-141页 |
第一作者发表的论文 | 第141页 |