首页--工业技术论文--水利工程论文--水能利用、水电站工程论文--水电站建筑与设备论文--养护、维修论文

基于新异类检测和支持向量机的水电机组诊断技术研究

摘要第1-8页
ABSTRACT第8-15页
第一章 绪论第15-33页
   ·课题背景和意义第15-16页
     ·我国水电行业的发展第15页
     ·我国水电设备检修现状第15-16页
   ·水电机组诊断方法概述第16-22页
     ·状态监测与故障诊断概述第16-17页
     ·故障诊断方法的分类第17-18页
     ·常见诊断方法第18-21页
     ·水电机组新异类检测的意义第21-22页
   ·新异类检测方法的研究与应用现状第22-25页
     ·基于统计学的新异类检测方法第22-24页
     ·基于神经网络的新异类检测方法第24-25页
   ·支持向量机的研究与应用现状第25-29页
     ·支持向量机的发展过程第25-26页
     ·支持向量机的理论现状第26-28页
     ·支持向量机的技术现状第28页
     ·支持向量机的应用现状第28-29页
   ·新异类检测与支持向量机的关系第29-30页
   ·论文的结构与内容第30-33页
第二章 新异类检测与支持向量机的基本原理第33-53页
   ·引言第33页
   ·机器学习理论第33-35页
     ·机器学习问题的提出第33-34页
     ·机器学习问题的分类和目的第34-35页
   ·统计学习理论第35-39页
     ·期望风险和经验风险第35-36页
     ·VC维第36-37页
     ·结构风险最小化第37-39页
   ·新异类检测方法第39-42页
     ·新异类检测的基本原理第39-40页
     ·高斯密度法原理第40-41页
     ·k均值聚类法原理第41页
     ·新异类检测方法的特点第41-42页
   ·支持向量机原理第42-45页
     ·最优分类面和支持向量机分类第42-44页
     ·核函数第44-45页
   ·支持向量机的求解算法第45-46页
   ·支持向量机的计算与应用第46-52页
     ·支持向量机进行故障诊断的基本步骤第46-47页
     ·利用Matlab SVM函数进行单类识别第47-48页
     ·利用LibSVM工具箱进行多类识别第48-51页
     ·两种实现工具的对比第51-52页
   ·本章小结第52-53页
第三章 基于统计学和BOOTSTRAP方法的机组特征提取第53-76页
   ·引言第53页
   ·水电机组状态数据统计特征的提取第53-55页
     ·水电机组常见数据特征第53-54页
     ·水电机组状态数据统计特征的选择第54-55页
   ·水电机组健康模型研究第55-59页
     ·健康样本模型的设计第55-56页
     ·测点数据与工况参数的相关性验证第56-59页
   ·水电机组状态数据统计特性分析第59-69页
     ·长期趋势分布特性分析第59-64页
     ·短期数据分布特性分析第64-65页
     ·时序分析第65-69页
   ·BOOTSTRAP方法第69-72页
     ·Bootstrap方法概述第69-71页
     ·Bootstrap置信区间的计算第71页
     ·Bootstrap方法的数学实现第71-72页
   ·基于BOOTSTRAP方法的状态特征阈值计算第72-75页
     ·结构模型第72页
     ·计算方法第72-74页
     ·结果分析第74-75页
   ·本章小结第75-76页
第四章 基于新异类检测的机组状态评估方法研究第76-94页
   ·引言第76页
   ·基于经验数据的状态评估方法第76-79页
     ·参考评估方法第76-78页
     ·中位值评估方法验证第78-79页
   ·基于健康标准的水电机组状态样本建模第79-84页
     ·三维健康模型设计第79-80页
     ·健康评估方法设计第80-81页
     ·三维健康模型示例第81-84页
     ·健康样本评估方法总结第84页
   ·基于新异类检测的状态评估策略第84-85页
     ·单次测试评估策略第85页
     ·自适应在线评估策略第85页
     ·完备样本区域描述策略第85页
   ·基于新异类检测的无监督聚类评估方法第85-90页
     ·无监督聚类与支持向量机的融合评估方法第86-87页
     ·无监督聚类算法实现第87-88页
     ·单类支持向量机(OC-SVM)第88-89页
     ·单类支持向量机的改进决策方法第89-90页
   ·水电机组状态信号的融合检测第90-93页
     ·检测策略第90-92页
     ·参数优化第92-93页
   ·本章小结第93-94页
第五章 基于支持向量机多类分类的水电机组故障诊断第94-108页
   ·引言第94页
   ·支持向量机的多类分类方法第94-100页
     ·多类分类原理第94-96页
     ·多类分类器的构造第96-99页
     ·全局多类分类第99-100页
   ·轴系故障征兆提取方法第100-104页
     ·小波包分解原理第100-101页
     ·稳定性信号频带能量分析第101页
     ·轴系故障能量征兆的提取第101-102页
     ·结果分析第102-104页
   ·基于最小二乘支持向量机的轴系故障诊断第104-107页
     ·最小二乘支持向量机的数学算法第104-105页
     ·基于LS-SVM的机组轴系故障诊断第105-106页
     ·分类结果第106-107页
   ·本章小结第107-108页
第六章 基于支持向量机的水电机组状态数据预测第108-124页
   ·引言第108页
   ·时间序列预测模型第108-111页
     ·传统时间序列第108-110页
     ·人工智能模型第110页
     ·其他预测模型第110-111页
   ·支持向量机回归第111-114页
     ·支持向量机回归原理第111页
     ·线性支持向量机回归第111-113页
     ·非线性支持向量机回归第113-114页
   ·水电机组状态数据的预测研究现状第114-115页
   ·分段预测在水电机组在线监测数据预测中的应用第115-118页
     ·分段SVR预测思想第115页
     ·基于SVR的分段在线预测算法第115-116页
     ·分段模型设计第116-117页
     ·实例分析与算法评估第117-118页
   ·多尺度预测在水电机组在线监测数据预测中的应用第118-121页
     ·多尺度分析方法第118-119页
     ·基于SVR的多尺度在线时间预测算法第119-120页
     ·实例分析与算法评估第120-121页
   ·预测方法评价准则与误差评价指标第121-123页
     ·预测方法评价准则第121-122页
     ·误差评价指标第122页
     ·两种预测算法对比第122-123页
   ·本章小结第123-124页
第七章 结论与展望第124-127页
   ·总结和结论第124-125页
   ·创新点第125页
   ·研究展望第125-127页
参考文献第127-142页
致谢第142-143页
攻读博士学位期间发表的论文及其他成果第143-145页
读博期间参加的主要科研工作第145-146页

论文共146页,点击 下载论文
上一篇:基于流域水循环及其伴生过程的水量水质联合配置研究
下一篇:“约”与西汉王朝的民族政策