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 |