| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-18页 |
| 1.1 设备状态监测与故障诊断技术的背景和意义 | 第9-10页 |
| 1.1.1 设备状态监测与故障诊断技术的背景 | 第9-10页 |
| 1.1.2 设备状态监测与故障诊断技术的意义 | 第10页 |
| 1.2 设备状态监测与故障诊断技术的发展与应用 | 第10-11页 |
| 1.2.1 设备状态监测与故障诊断技术的发展 | 第10-11页 |
| 1.2.2 设备状态监测与故障诊断技术的应用 | 第11页 |
| 1.3 智能故障诊断中机器学习 | 第11-12页 |
| 1.4 设备故障智能诊断方法 | 第12-13页 |
| 1.5 支持向量机故障诊断 | 第13-15页 |
| 1.5.1 支持向量机发展概况 | 第14页 |
| 1.5.2 故障诊断中的小样本问题 | 第14页 |
| 1.5.3 支持向量机故障诊断的研究现状 | 第14-15页 |
| 1.6 课题来源、创新点 | 第15-16页 |
| 1.6.1 课题来源 | 第15页 |
| 1.6.2 课题创新点 | 第15-16页 |
| 1.7 论文研究内容与安排 | 第16-18页 |
| 1.7.1 论文主要工作 | 第16页 |
| 1.7.2 论文组织安排 | 第16-18页 |
| 2 支持向量机理论 | 第18-28页 |
| 2.1 支持向量机基本思想 | 第18-21页 |
| 2.2 支持向量分类算法 | 第21-27页 |
| 2.2.1 线性可分问题 | 第21-22页 |
| 2.2.2 近似线性可分问题 | 第22-23页 |
| 2.2.3 线性不可分问题 | 第23-25页 |
| 2.2.4 核函数 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 3 基于支持向量机的电机故障模式识别 | 第28-36页 |
| 3.1 支持向量机用于电机故障模式识别 | 第28-35页 |
| 3.1.1 实验数据采集 | 第28-29页 |
| 3.1.2 支持向量机用于电机故障模式识别 | 第29-31页 |
| 3.1.3 实验结果分析 | 第31-35页 |
| 3.2 实验总结 | 第35页 |
| 3.3 本章小结 | 第35-36页 |
| 4 基于SVM的机械搅拌通风发酵罐多类故障诊断 | 第36-47页 |
| 4.1 SVM多类分类算法 | 第36-37页 |
| 4.2 SVM应用于机械搅拌式通风发酵罐故障诊断 | 第37-42页 |
| 4.2.1 机械搅拌式通风发酵罐 | 第37-38页 |
| 4.2.2 故障样本数据采集 | 第38-39页 |
| 4.2.3 SVM多类故障分类器建立 | 第39-40页 |
| 4.2.4 故障特征提取 | 第40页 |
| 4.2.5 基于 SVM的机械搅拌式发酵罐故障诊断 | 第40-42页 |
| 4.3 作为对比的人工神经网络故障诊断 | 第42-45页 |
| 4.3.1 人工神经网络方法 | 第42-44页 |
| 4.3.2 基于人工神经网络的机械搅拌式发酵罐故障诊断 | 第44-45页 |
| 4.3.3 实验结论 | 第45页 |
| 4.4 本章小结 | 第45-47页 |
| 5 支持向量回归应用于制冷压缩机组状态趋势预测 | 第47-59页 |
| 5.1 支持向量回归机模型 | 第47-50页 |
| 5.1.1 回归问题 | 第47-49页 |
| 5.1.2 支持向量回归机 | 第49-50页 |
| 5.1.3 非线性回归 | 第50页 |
| 5.2 SVR状态预测方法及其评价 | 第50-51页 |
| 5.3 SVR模型验证分析 | 第51-53页 |
| 5.4 SVR设备状态趋势预测应用 | 第53-58页 |
| 5.4.1 制冷压缩机组 | 第53页 |
| 5.4.2 对制冷压缩机组状态预测与预测结果分析 | 第53-58页 |
| 5.5 本章小结 | 第58-59页 |
| 6 总结与展望 | 第59-60页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间发表的学术论文 | 第65-66页 |
| 致谢 | 第66页 |