| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景 | 第8-9页 |
| 1.2 课题研究意义 | 第9-10页 |
| 1.3 课题研究现状及发展趋势 | 第10-12页 |
| 1.3.1 国外研究现状及趋势 | 第10-11页 |
| 1.3.2 国内研究现状及趋势 | 第11-12页 |
| 1.4 论文主要研究内容 | 第12-14页 |
| 2 传感器系统安装与实验 | 第14-23页 |
| 2.1 传感器系统选型 | 第14-20页 |
| 2.1.1 传感器种类选型 | 第14-18页 |
| 2.1.2 传感器安装平台选型 | 第18-20页 |
| 2.2 传感器系统安装 | 第20-21页 |
| 2.2.1 传感器安装及电缆连接 | 第20页 |
| 2.2.2 传感器安装位置研究 | 第20-21页 |
| 2.3 振动信号采集实现 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 传感器状态分类模型 | 第23-49页 |
| 3.1 传感器状态分类原理 | 第23-25页 |
| 3.2 振动信号的小波包能量特征提取 | 第25-28页 |
| 3.3 支持向量机（SVM）传感器状态分类模型 | 第28-33页 |
| 3.3.1 支持向量机原理 | 第28-30页 |
| 3.3.2 基于SVM的传感器状态分类模型建立 | 第30-33页 |
| 3.4 极限学习机（ELM）传感器状态分类模型 | 第33-40页 |
| 3.4.1 极限学习机原理 | 第34-36页 |
| 3.4.2 基于ELM的分类器设计 | 第36-38页 |
| 3.4.3 ELM的传感器状态分类模型实现与对比分析 | 第38-40页 |
| 3.5 改进的ELM传感器状态分类模型 | 第40-48页 |
| 3.5.1 在线序贯极限学习机(OS-ELM) | 第40-43页 |
| 3.5.2 UCI数据集实验 | 第43-45页 |
| 3.5.3 OS-ELM分类模型的激活函数选择 | 第45-46页 |
| 3.5.4 基于OS-ELM的传感器状态分类模型仿真与对比 | 第46-48页 |
| 3.6 本章小结 | 第48-49页 |
| 4 基于LabVIEW的振动传感器在线监测界面 | 第49-60页 |
| 4.1 虚拟仪器LabVIEW介绍 | 第49页 |
| 4.2 系统功能设计 | 第49-50页 |
| 4.3 系统界面设计与制作 | 第50-57页 |
| 4.3.1 主界面设计 | 第50-52页 |
| 4.3.2 数据采集模块 | 第52-53页 |
| 4.3.3 基于OS-ELM算法的状态监测模块 | 第53-55页 |
| 4.3.4 传感器状态显示及预警模块 | 第55-56页 |
| 4.3.5 历史数据查询模块 | 第56-57页 |
| 4.4 试验系统运行结果 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67-70页 |