| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题的研究背景与意义 | 第10页 |
| 1.2 感应电机故障诊断技术的研究内容 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-18页 |
| 1.3.1 电机常用的故障诊断方法 | 第11-12页 |
| 1.3.2 信号特征提取技术研究现状 | 第12-14页 |
| 1.3.3 小波变换的发展及其在故障诊断中的研究现状 | 第14-16页 |
| 1.3.4 特征降维技术研究现状 | 第16-17页 |
| 1.3.5 多分类器融合技术研究现状 | 第17-18页 |
| 1.4 本文的主要研究内容与章节安排 | 第18-20页 |
| 第二章 第二代小波变换及特征选择方法研究 | 第20-51页 |
| 2.1 小波分析理论 | 第20-22页 |
| 2.1.1 小波分析简介 | 第20页 |
| 2.1.2 小波变换 | 第20-21页 |
| 2.1.3 离散小波变换 | 第21页 |
| 2.1.4 小波包分解 | 第21-22页 |
| 2.2 第二代小波变换方法 | 第22-36页 |
| 2.2.1 第二代小波简介 | 第22页 |
| 2.2.2 第二代小波变换方法 | 第22-31页 |
| 2.2.3 第二代小波变换的频率混叠问题及其抑制方法 | 第31-36页 |
| 2.3 第二代小波变换的自适应算法 | 第36-40页 |
| 2.3.1 第二代小波变换算法的局限性 | 第36-37页 |
| 2.3.2 空间自适应冗余第二代小波变换 | 第37-40页 |
| 2.4 基于ARSGWPT的感应电机故障特征提取 | 第40-43页 |
| 2.4.1 定子电流故障特征提取 | 第40-41页 |
| 2.4.2 振动信号故障特征提取 | 第41-43页 |
| 2.5 基于流形学习的感应电机故障特征选择 | 第43-50页 |
| 2.5.1 特征降维方法概述 | 第43-46页 |
| 2.5.2 图谱回归分析 | 第46-47页 |
| 2.5.3 稀疏子空间学习 | 第47-49页 |
| 2.5.4 多类特征选择算法 | 第49-50页 |
| 2.6 本章小结 | 第50-51页 |
| 第三章 感应电机故障诊断中信息融合技术研究 | 第51-64页 |
| 3.1 信息融合概述 | 第51-53页 |
| 3.2 决策层融合算法概述 | 第53页 |
| 3.3 常用的决策层融合算法 | 第53-57页 |
| 3.4 基于自适应权重投票的多分类器融合算法 | 第57-60页 |
| 3.5 多分类器融合算法仿真实验 | 第60-63页 |
| 3.6 本章小结 | 第63-64页 |
| 第四章 基于ARSGWPT和多分类器融合的感应电机故障诊断 | 第64-84页 |
| 4.1 诊断流程 | 第64-65页 |
| 4.2 故障模式识别分类器 | 第65-69页 |
| 4.2.1 随机森林 | 第65-66页 |
| 4.2.2 支持向量机 | 第66-68页 |
| 4.2.3 BP神经网络 | 第68-69页 |
| 4.3 感应电机数据实验配置 | 第69-70页 |
| 4.4 基于ARSGWPT的感应电机故障特征提取 | 第70-75页 |
| 4.4.1 振动信号故障特征提取 | 第71-73页 |
| 4.4.2 定子电流信号故障特征提取 | 第73-75页 |
| 4.5 特征选择算法MCFS对电机故障分类效果影响研究 | 第75-78页 |
| 4.6 多分类器融合算法对电机故障分类效果影响研究 | 第78-82页 |
| 4.6.1 一种分类器多种特征的分类器融合实验 | 第78-79页 |
| 4.6.2 一种特征多种分类器的分类器融合实验 | 第79-81页 |
| 4.6.3 多种分类器多种特征的分类器融合实验 | 第81-82页 |
| 4.7 本章小结 | 第82-84页 |
| 第五章 结论与展望 | 第84-86页 |
| 5.1 本文工作总结 | 第84-85页 |
| 5.2 未来展望 | 第85-86页 |
| 致谢 | 第86-87页 |
| 参考文献 | 第87-96页 |
| 作者简介 | 第96页 |
