| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 故障预报技术研究现状 | 第10-13页 |
| 1.3 智能故障诊断技术 | 第13-14页 |
| 1.4 本文主要工作与结构安排 | 第14-16页 |
| 2 支持向量机回归理论知识 | 第16-29页 |
| 2.1 支持向量机回归预测(Support Vector Regression,SVR) | 第16-21页 |
| 2.1.1 支持向量机回归 | 第16-19页 |
| 2.1.2 基于支持向量机回归的时间序列预测 | 第19-20页 |
| 2.1.3 嵌入维数的确定 | 第20页 |
| 2.1.4 预报能力评价准则 | 第20-21页 |
| 2.2 支持向量机建模参数优化方法 | 第21-24页 |
| 2.2.1 网格搜索法 | 第21-22页 |
| 2.2.2 交叉验证法(Cross Validation,CV) | 第22页 |
| 2.2.3 遗传算法(Genetic Algorithm,GA) | 第22-24页 |
| 2.3 粒子群算法(PSO) | 第24-28页 |
| 2.3.1 粒子群优化算法理论 | 第24-26页 |
| 2.3.2 改进的PSO算法 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 煤层气单井采气系统的故障预报模型 | 第29-41页 |
| 3.1 煤层气单井采气系统 | 第29-32页 |
| 3.1.1 煤层气单井采气原理和工艺流程 | 第29-30页 |
| 3.1.2 煤层气单井采气系统常见故障分析 | 第30-32页 |
| 3.2 基于SVM煤层气单井采气参数预测模型 | 第32-35页 |
| 3.2.1 嵌入维数的确定 | 第32-34页 |
| 3.2.2 采气参数预测模型 | 第34-35页 |
| 3.3 实验结果与分析 | 第35-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 基于模糊支持向量机的故障诊断 | 第41-53页 |
| 4.1 模糊支持向量机(Fuzzy Support Vector Machine,FSVM) | 第41-47页 |
| 4.1.1 传统SVM分类基本原理 | 第41-43页 |
| 4.1.2 支持向量机多分类问题 | 第43-44页 |
| 4.1.3 FSVM基本原理 | 第44-45页 |
| 4.1.4 模糊隶属度确定 | 第45-47页 |
| 4.2 FSVM诊断模型的建立 | 第47-52页 |
| 4.2.1 样本数据的预处理 | 第47-48页 |
| 4.2.2 诊断模型的建立 | 第48-49页 |
| 4.2.3 诊断模型仿真结果和分析 | 第49-52页 |
| 4.3 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-60页 |
