| 摘要 | 第4-6页 |
| ABSTRACT | 第6页 |
| 目录 | 第9-13页 |
| 缩写与符号 | 第13-14页 |
| 第一章 绪论 | 第14-29页 |
| 1.1 课题研究的背景和意义 | 第14-15页 |
| 1.2 机械故障诊断技术研究概述 | 第15-19页 |
| 1.2.1 故障机理 | 第15-16页 |
| 1.2.2 故障信号处理技术 | 第16-17页 |
| 1.2.3 模式识别与人工智能技术 | 第17-18页 |
| 1.2.4 故障诊断系统 | 第18-19页 |
| 1.3 支持向量机研究概况 | 第19-25页 |
| 1.3.1 理论背景 | 第19-20页 |
| 1.3.2 支持向量机研究现状 | 第20-23页 |
| 1.3.3 支持向量机的特点 | 第23页 |
| 1.3.4 传统故障诊断方法的局限性和支持向量机的不足 | 第23-25页 |
| 1.4 论文的主要工作和结构安排 | 第25-29页 |
| 1.4.1 主要工作 | 第25-27页 |
| 1.4.2 结构安排 | 第27-29页 |
| 第二章 基于支持向量机的故障分类器研究 | 第29-60页 |
| 2.1 引言 | 第29-30页 |
| 2.2 支持向量机原理和算法 | 第30-34页 |
| 2.2.1 线性可分 | 第30-31页 |
| 2.2.2 线性不可分 | 第31-32页 |
| 2.2.3 非线性情形 | 第32-33页 |
| 2.2.4 算例 | 第33-34页 |
| 2.3 基于支持向量机故障诊断的基本步骤 | 第34-35页 |
| 2.4 多故障分类器算法的建立 | 第35-39页 |
| 2.4.1 常用的多值分类算法 | 第35-36页 |
| 2.4.2 基于决策有向无环图的多故障分类算法 | 第36-39页 |
| 2.5 仿真分析 | 第39-40页 |
| 2.6 实验研究 | 第40-59页 |
| 2.6.1 实验设备 | 第40-43页 |
| 2.6.2 振动信号小波包故障特征提取 | 第43-49页 |
| 2.6.2.1 小波包故障特征提取算法 | 第44-45页 |
| 2.6.2.2 故障特征提取算例 | 第45-49页 |
| 2.6.3 实验验证 | 第49-55页 |
| 2.6.3.1 故障分类器的建立 | 第49-50页 |
| 2.6.3.2 分类测试结果 | 第50-54页 |
| 2.6.3.3 结果分析与讨论 | 第54-55页 |
| 2.6.4 故障分类器分类性能影响因素分析 | 第55-59页 |
| 2.6.4.1 核函数对故障分类器分类性能的影响 | 第55-56页 |
| 2.6.4.2 核参数对故障分类器分类性能的影响 | 第56-57页 |
| 2.6.4.3 支持向量对故障分类器分类性能的影响 | 第57页 |
| 2.6.4.4 训练样本数量对故障分类器分类性能的影响 | 第57-58页 |
| 2.6.4.5 训练样本维数对故障分类器分类性能的影响 | 第58-59页 |
| 2.7 本章小结 | 第59-60页 |
| 第三章 基于核主元分析的故障特征选择方法研究 | 第60-74页 |
| 3.1 引言 | 第60-61页 |
| 3.2 主元分析方法 | 第61-62页 |
| 3.3 基于核主元分析的故障特征选择原理和算法 | 第62-65页 |
| 3.3.1 基本原理 | 第62-65页 |
| 3.3.2 算法实现 | 第65页 |
| 3.4 算法验证 | 第65-73页 |
| 3.4.1 仿真分析 | 第65-69页 |
| 3.4.2 实验研究 | 第69-72页 |
| 3.4.3 结果分析与讨论 | 第72-73页 |
| 3.5 本章小结 | 第73-74页 |
| 第四章 故障分类器核函数的参数优化 | 第74-85页 |
| 4.1 引言 | 第74-75页 |
| 4.2 核参数模型的建立和优化 | 第75-79页 |
| 4.2.1 基于FISHER判别准则的核参数优化模型建立 | 第76-77页 |
| 4.2.2 改进遗传算法对核参数模型的优化 | 第77-78页 |
| 4.2.3 优化算法的实现 | 第78-79页 |
| 4.3 仿真与实验研究 | 第79-84页 |
| 4.3.1 双螺旋数据 | 第79-82页 |
| 4.3.2 BENTLY转子实验台数据 | 第82-84页 |
| 4.4 本章小结 | 第84-85页 |
| 第五章 支持向量机故障分类器增量学习研究 | 第85-98页 |
| 5.1 引言 | 第85-86页 |
| 5.2 支持向量的特点分析 | 第86-90页 |
| 5.2.1 库恩-塔克条件与样本点的几何分布 | 第87-88页 |
| 5.2.2 增量学习后支持向量的变化分析 | 第88-90页 |
| 5.3 增量学习新算法 | 第90-92页 |
| 5.4 仿真与实验研究 | 第92-97页 |
| 5.4.1 DIMDATA数据集 | 第92-94页 |
| 5.4.2 BENTLY转子实验台数据 | 第94-96页 |
| 5.4.3 结果分析与讨论 | 第96-97页 |
| 5.5 本章小结 | 第97-98页 |
| 第六章 排送机网络化监测与故障诊断系统的设计与实现 | 第98-121页 |
| 6.1 引言 | 第98-99页 |
| 6.2 系统总体设计 | 第99-103页 |
| 6.2.1 概述 | 第99页 |
| 6.2.2 计算模式选择 | 第99-100页 |
| 6.2.3 系统总体结构 | 第100-101页 |
| 6.2.4 多机组监测的硬件系统设计 | 第101-103页 |
| 6.3 关键技术研究 | 第103-109页 |
| 6.3.1 键相信号采集 | 第103-106页 |
| 6.3.2 黑匣子功能 | 第106-107页 |
| 6.3.3 基于ADO/ASP的WEB数据库解决方案 | 第107-108页 |
| 6.3.4 ACTIVEX技术 | 第108-109页 |
| 6.4 系统运行实例 | 第109-111页 |
| 6.4.1 上位机运行实例 | 第109-111页 |
| 6.4.2 WEB子系统运行实例 | 第111页 |
| 6.5 支持向量机在排送机故障诊断系统中的应用 | 第111-119页 |
| 6.5.1 排送机故障特点 | 第111-112页 |
| 6.5.2 排送机故障特征提取和选择 | 第112-117页 |
| 6.5.2.1 数据来源 | 第112-113页 |
| 6.5.2.2 小波包分析故障特征提取 | 第113-115页 |
| 6.5.2.3 核主元故障特征选择 | 第115-117页 |
| 6.5.3 基于支持向量机的故障诊断方法 | 第117-119页 |
| 6.5.3.1 故障分类器的建立 | 第117页 |
| 6.5.3.2 核函数的参数优化 | 第117-119页 |
| 6.5.3.3 结果与讨论 | 第119页 |
| 6.6 本章小结 | 第119-121页 |
| 第七章 总结与展望 | 第121-123页 |
| 7.1 论文工作总结 | 第121-122页 |
| 7.2 展望 | 第122-123页 |
| 参考文献 | 第123-134页 |
| 附录1 | 第134-135页 |
| 附录2 | 第135-136页 |
| 一、公开发表论文 | 第136页 |
| 二、已投稿论文 | 第136页 |
| 三、参加的主要科研工作 | 第136-138页 |
| 致谢 | 第138页 |
