基于机器学习方法的电机异音检测研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-16页 |
| ·引言 | 第9页 |
| ·课题研究的背景和意义 | 第9-11页 |
| ·声学诊断技术的研究现状 | 第11页 |
| ·电机诊断技术的研究现状 | 第11-13页 |
| ·支持向量机理论的发展 | 第13-14页 |
| ·本文的主要工作 | 第14-16页 |
| 第二章 电机声信号特征提取方法研究 | 第16-41页 |
| ·信号特征分析 | 第16-20页 |
| ·电机声音信号的时域分析 | 第16-17页 |
| ·电机声音信号的频谱分析 | 第17-20页 |
| ·基于主成分分析的特征提取 | 第20-25页 |
| ·主成分分析原理 | 第20-22页 |
| ·主成分分析在电机特征提取中的应用 | 第22-25页 |
| ·基于小波变换的特征提取 | 第25-30页 |
| ·连续小波变换 | 第25-26页 |
| ·离散小波变换 | 第26-28页 |
| ·小波包变换 | 第28-30页 |
| ·小波变换理论在电机诊断中的研究 | 第30-41页 |
| ·小波包分解在电机特征提取中的应用 | 第31-32页 |
| ·奇异值分解在电机特征提取中的应用 | 第32-37页 |
| ·小波包能量谱在电机特征提取中的应用 | 第37-41页 |
| 第三章 机器学习方法在电机异音检测中的研究 | 第41-52页 |
| ·支持向量机理论 | 第41-46页 |
| ·支持向量机原理 | 第41-44页 |
| ·非线性支持向量机 | 第44-46页 |
| ·数据仿真分析 | 第46页 |
| ·SVM一类学习理论 | 第46-52页 |
| ·SVM一类学习原理 | 第47-50页 |
| ·数据仿真分析 | 第50-52页 |
| 第四章 SVM一类学习的电机异音检测实现 | 第52-65页 |
| ·电机异音检测方案研究 | 第52-55页 |
| ·电机数据采集 | 第53-54页 |
| ·电机特征提取 | 第54-55页 |
| ·电机异音识别 | 第55页 |
| ·SVM一类学习在电机异音检测中的应用 | 第55-63页 |
| ·基于主成分分析的SVM一类学习方法应用 | 第56-57页 |
| ·基于奇异值分解的SVM一类学习方法应用 | 第57-60页 |
| ·基于小波包能量的SVM一类学习方法应用 | 第60-63页 |
| ·实验结果及分析 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| ·总结 | 第65-66页 |
| ·展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间发表和完成的论文 | 第71-72页 |
| 致谢 | 第72页 |
