| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-18页 |
| 1.1 研究意义及目的 | 第8-9页 |
| 1.1.1 研究意义 | 第8-9页 |
| 1.1.2 研究目的 | 第9页 |
| 1.2 研究现状 | 第9-16页 |
| 1.2.1 遥测系统的故障分类 | 第10-12页 |
| 1.2.2 国内外故障诊断与故障预测技术 | 第12-16页 |
| 1.3 主要内容 | 第16-18页 |
| 2 故障预测方法研究 | 第18-26页 |
| 2.1 故障预测技术分类 | 第18-22页 |
| 2.1.1 基于模型的故障预测技术 | 第18页 |
| 2.1.2 基于数据驱动的故障预测技术 | 第18-19页 |
| 2.1.3 基于概率统计的故障预测技术 | 第19-22页 |
| 2.2 故障预测方法分析 | 第22-24页 |
| 2.2.1 基于模型的故障预测方法 | 第22-23页 |
| 2.2.2 基于数据驱动的故障预测方法 | 第23-24页 |
| 2.2.3 基于概率统计的故障预测方法 | 第24页 |
| 2.3 适合于航天遥测系统的故障预测方法 | 第24-26页 |
| 2.4 本章小结 | 第26页 |
| 3 基于机器学习的故障预测系统设计 | 第26-32页 |
| 3.1 整体设计 | 第26-29页 |
| 3.2 感知层设计 | 第29页 |
| 3.3 分析层设计 | 第29-30页 |
| 3.3.1 指标预测模块 | 第30页 |
| 3.3.2 故障判别模块 | 第30页 |
| 3.4 效应层设计 | 第30页 |
| 3.5 本章小结 | 第30-32页 |
| 4 基于机器学习的指标预测方法研究 | 第32-40页 |
| 4.1 支持向量回归 | 第32-34页 |
| 4.1.1 支持向量回归的定义与原理 | 第32-33页 |
| 4.1.2 使用SVR解决非线性回归问题具体实施步骤 | 第33-34页 |
| 4.2 基于SVR的指标预测方法 | 第34-35页 |
| 4.2.1 单步预测方法研究 | 第34-35页 |
| 4.2.2 多步预测方法研究 | 第35页 |
| 4.3 多指标预测方法研究 | 第35页 |
| 4.4 实验与分析 | 第35-39页 |
| 4.4.1 不同指标预测方法对照试验与分析 | 第35-38页 |
| 4.4.2 不同预测步数的对照试验与分析 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 5 基于机器学习的故障识别方法研究 | 第40-49页 |
| 5.1 支持向量机 | 第41-44页 |
| 5.2 训练集合的构建方法 | 第44-45页 |
| 5.3 相关性分析的特征提取 | 第45-47页 |
| 5.4 基于交叉验证的训练参数调整算法 | 第47页 |
| 5.5 基于特征序列识别的优化算法 | 第47-48页 |
| 5.6 本章小结 | 第48-49页 |
| 6 系统实现与验证 | 第49-63页 |
| 6.1 指标预测子系统的实现与验证 | 第49-59页 |
| 6.1.1 数据清洗与训练集合构建模块的实现 | 第49页 |
| 6.1.2 多指标预测模块的实现与验证 | 第49-59页 |
| 6.2 故障诊断子系统的实现与验证 | 第59-62页 |
| 6.2.1 输入数据的获取和标注 | 第59-61页 |
| 6.2.2 程序的设计与实现 | 第61-62页 |
| 6.2.3 机器学习模型的训练 | 第62页 |
| 6.2.4 机器学习模型的分类效果 | 第62页 |
| 6.3 本章总结 | 第62-63页 |
| 7 故障预测系统在工程上的应用 | 第63-64页 |
| 8 总结与展望 | 第64-66页 |
| 8.1 工作总结 | 第64-65页 |
| 8.1.1 研究工作总结 | 第64页 |
| 8.1.2 创新点 | 第64-65页 |
| 8.2 工作展望 | 第65-66页 |
| 8.2.1 研究工作中遇到的问题 | 第65页 |
| 8.2.2 对未来工作展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录A 图表目录 | 第69-71页 |
| 攻读硕士学位期间发表学术论文情况 | 第71-72页 |
| 致谢 | 第72-74页 |