基于SVM风电机组齿轮箱故障诊断系统研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-15页 |
| ·选题背景和意义 | 第10-11页 |
| ·故障诊断技术的发展 | 第11-12页 |
| ·国外故障诊断技术的发展现状 | 第11页 |
| ·我国故障诊断技术的发展现状 | 第11-12页 |
| ·支持向量机应用现状 | 第12-13页 |
| ·国外应用现状 | 第12页 |
| ·国内应用现状 | 第12-13页 |
| ·论文研究内容及结构安排 | 第13-15页 |
| ·论文研究目的 | 第13页 |
| ·论文研究内容 | 第13-15页 |
| 第2章 支持向量机理论 | 第15-28页 |
| ·统计学习理论 | 第15-20页 |
| ·机器学习问题 | 第15-16页 |
| ·经验风险最小化 | 第16-17页 |
| ·VC维 | 第17-18页 |
| ·统计学习推广性的界 | 第18-19页 |
| ·结构风险最小化 | 第19-20页 |
| ·支持向量机理论 | 第20-23页 |
| ·最优超平面 | 第20-22页 |
| ·核函数 | 第22-23页 |
| ·最小二乘支持向量机 | 第23-24页 |
| ·基于支持向量机的故障诊断方法 | 第24-27页 |
| ·支持向量机多类分类算法 | 第24-25页 |
| ·基于支持向量机的故障诊断步骤 | 第25-26页 |
| ·分类算法比较 | 第26-27页 |
| ·结论 | 第27-28页 |
| 第3章 风电机组齿轮箱故障模式识别 | 第28-46页 |
| ·风电机组齿轮箱结构及故障类型 | 第28-32页 |
| ·风电机组齿轮箱的结构 | 第28-30页 |
| ·风电机组齿轮箱常见的故障形式 | 第30-32页 |
| ·基于小波分析的故障振动信号处理 | 第32-41页 |
| ·小波变换原理 | 第32-33页 |
| ·小波包变换原理 | 第33-35页 |
| ·小波阈值降噪 | 第35-39页 |
| ·小波包能量特征提取 | 第39-41页 |
| ·基于LS-SVM的风电机组齿轮箱故障模式识别 | 第41-42页 |
| ·基于神经网络的故障诊断技术 | 第42-45页 |
| ·BP神经网络 | 第42-44页 |
| ·BP神经网络在风电机组齿轮箱故障诊断中的应用 | 第44-45页 |
| ·结论 | 第45-46页 |
| 第4章 基于遗传算法的支持向量机参数选择 | 第46-51页 |
| ·遗传算法 | 第46-49页 |
| ·遗传算法的基本要素 | 第46-48页 |
| ·遗传算法的特点 | 第48-49页 |
| ·GA-LSSVM参数选择 | 第49-50页 |
| ·实例分析 | 第50页 |
| ·结论 | 第50-51页 |
| 第5章 故障诊断系统设计与实现 | 第51-59页 |
| ·系统总体结构分析 | 第51-53页 |
| ·系统总体结构 | 第51-52页 |
| ·系统主要功能模块设计 | 第52-53页 |
| ·技术分析 | 第53-56页 |
| ·基于ASP技术与SQL数据库相结合技术 | 第53-55页 |
| ·.NET技术与Matlab混合编程技术 | 第55-56页 |
| ·用户系统页面实现 | 第56-58页 |
| ·用户登录模块实现 | 第56-57页 |
| ·故障诊断模块实现 | 第57-58页 |
| ·结论 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| ·研究总结 | 第59页 |
| ·研究展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第65-66页 |
| 致谢 | 第66页 |
