基于SVM智能混合方法的水电机组故障诊断与预测研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 本文研究的背景意义 | 第10-12页 |
| 1.2 水电机组振动故障现状 | 第12-14页 |
| 1.2.1 水电机组故障的特点 | 第12页 |
| 1.2.2 机组故障产生的主要原因 | 第12-14页 |
| 1.3 水电机组智能故障诊断技术与预测研究 | 第14-16页 |
| 1.3.1 水电机组故障诊断研究现状 | 第14-15页 |
| 1.3.2 水电机组的状态预测研究 | 第15-16页 |
| 1.4 论文的主要研究内容及结构框图 | 第16-18页 |
| 第二章 SVM的基本理论 | 第18-35页 |
| 2.1 SVM的研究现状 | 第18-19页 |
| 2.2 SVM的基础理论 | 第19-22页 |
| 2.3 SVM分类问题 | 第22-28页 |
| 2.3.1 SVM分类基本原理及分类机 | 第22-26页 |
| 2.3.2 多类SVM | 第26-28页 |
| 2.4 SVM的核函数 | 第28-30页 |
| 2.5 SVM的模型建立 | 第30页 |
| 2.6 SVM回归机 | 第30-34页 |
| 2.7 SVM进行故障诊断的基本步骤 | 第34页 |
| 2.8 本章小结 | 第34-35页 |
| 第三章 基于DEMD模糊熵和SVM的故障诊断方法 | 第35-55页 |
| 3.1 EMD的模式混叠优化 | 第35-41页 |
| 3.1.1 EMD和DEMD的分解及算法 | 第35-38页 |
| 3.1.2 信号仿真 | 第38-41页 |
| 3.2 DEMD的端点效应优化 | 第41-45页 |
| 3.2.1 窗函数 | 第41-42页 |
| 3.2.2 信号仿真 | 第42-45页 |
| 3.3 模糊熵的算法及参数选择 | 第45-47页 |
| 3.4 水电机组诊断实例 | 第47-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 模糊多类SVM的故障诊断方法 | 第55-63页 |
| 4.1 SVM核函数选择 | 第55-56页 |
| 4.2 确定隶属度函数的优化方法 | 第56-58页 |
| 4.3 模糊SVM的优化 | 第58-60页 |
| 4.4 数值仿真及在水电机组上的应用 | 第60-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第五章 基于优化回归神经网络的预测 | 第63-72页 |
| 5.1 振动信号的可预测性分析 | 第63-66页 |
| 5.2 广义神经网络及参数优化 | 第66-69页 |
| 5.3 水电机组实例分析 | 第69-71页 |
| 5.4 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-75页 |
| 6.1 论文总结 | 第72-73页 |
| 6.2 研究展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 附录：攻读专业硕士期间发表的论文 | 第80页 |
