摘要 | 第3-4页 |
ABSTRACT | 第4-5页 |
第一章 绪论 | 第11-17页 |
1.1 课题的研究意义 | 第11-12页 |
1.2 流形学习的国内外研究现状 | 第12-13页 |
1.3 流形学习在机械故障诊断中应用的国内外研究现状 | 第13-15页 |
1.4 论文的主要内容 | 第15-17页 |
第二章 流形学习主要算法分析 | 第17-29页 |
2.1 流形和流形学习 | 第17-18页 |
2.2 线性降维的经典算法 | 第18-19页 |
2.2.1 主成分分析(PCA) | 第18-19页 |
2.2.2 多维尺度分析(MDS) | 第19页 |
2.3 流形学习的经典算法 | 第19-23页 |
2.3.1 等距特征映射(ISOMAP) | 第19-20页 |
2.3.2 局部线性嵌入法(LLE) | 第20-21页 |
2.3.3 拉普拉斯特征映射算法(LE) | 第21-22页 |
2.3.4 局部切空间排列算法(LTSA) | 第22-23页 |
2.4 数据降维实验 | 第23-27页 |
2.4.1 Helix数据集降维实验 | 第23-25页 |
2.4.2 3D clusters数据集降维实验 | 第25-27页 |
2.5 流形学习在机械故障诊断中应用的算法选择和思路 | 第27-28页 |
2.6 本章小结 | 第28-29页 |
第三章 流形学习LLE算法的改进 | 第29-41页 |
3.1 流形学习LLE算法中的参数 | 第29-32页 |
3.1.1 嵌入维数的估算方法 | 第29-30页 |
3.1.2 邻域因子对LLE算法降维效果的影响 | 第30-32页 |
3.2 基于最佳分类效果的参数综合选择方法 | 第32-35页 |
3.2.1 类内和类间的离散度 | 第32-33页 |
3.2.2 方法原理和实现过程 | 第33-35页 |
3.3 基于局部拓扑保持的改进LLE算法 | 第35-37页 |
3.3.1 基于线性权值系数不变的局部拓扑保持 | 第35-36页 |
3.3.2 考虑样本距离的线性权值系数不变的局部拓扑保持 | 第36-37页 |
3.4 改进LLE算法在机械故障诊断中的实现过程 | 第37-38页 |
3.5 分类器的选择 | 第38-40页 |
3.6 本章小结 | 第40-41页 |
第四章 改进LLE算法在齿轮箱故障诊断中的应用研究 | 第41-54页 |
4.1 齿轮传动中的常见故障和实验简述 | 第41-43页 |
4.2 齿轮的振动机理 | 第43-44页 |
4.3 齿轮振动信号分析 | 第44-46页 |
4.3.1 时域分析 | 第44-45页 |
4.3.2 频谱分析 | 第45-46页 |
4.4 齿轮振动信号特征提取 | 第46-48页 |
4.4.1 基于振动信号时域指标的特征空间构造方法 | 第46-47页 |
4.4.2 基于振动信号子带能量的特征空间构造方法 | 第47-48页 |
4.5 改进LLE算法在齿轮故障诊断中的应用 | 第48-53页 |
4.5.1 特征空间构造和最佳参数选择 | 第48-49页 |
4.5.2 特征压缩结果 | 第49-52页 |
4.5.3 样本分类结果 | 第52-53页 |
4.6 本章小结 | 第53-54页 |
第五章 改进LLE算法在柴油机故障诊断中的应用研究 | 第54-67页 |
5.1 柴油机的常见故障和实验简述 | 第54-55页 |
5.2 柴油机油压信号分析和特征提取 | 第55-57页 |
5.2.1 油压信号分析 | 第55-56页 |
5.2.2 基于压力波形参数的特征空间构造方法 | 第56-57页 |
5.3 柴油机振动信号分析 | 第57-59页 |
5.3.1 时域分析 | 第57-58页 |
5.3.2 频域分析 | 第58-59页 |
5.4 改进LLE算法在柴油机油路故障诊断中的应用 | 第59-62页 |
5.4.1 特征空间构造和最佳参数选择 | 第59页 |
5.4.2 特征压缩结果 | 第59-61页 |
5.4.3 样本分类结果 | 第61-62页 |
5.5 改进LLE算法在柴油机机械故障诊断中的应用 | 第62-66页 |
5.5.1 特征空间构造和最佳参数选择 | 第62-63页 |
5.5.2 特征压缩结果 | 第63-64页 |
5.5.3 样本分类结果 | 第64-66页 |
5.6 本章小结 | 第66-67页 |
第六章 结论 | 第67-69页 |
致谢 | 第69-70页 |
参考文献 | 第70-75页 |
攻读硕士学位期间发表的论文 | 第75-76页 |