基于AR模型的支持向量机电梯运行质量分析系统设计
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 引言 | 第9-17页 |
| 1.1 问题的提出 | 第9页 |
| 1.2 选题背景及意义 | 第9-10页 |
| 1.2.1 背景 | 第9-10页 |
| 1.2.2 创新点 | 第10页 |
| 1.3 文献综述 | 第10-14页 |
| 1.3.1 国外研究现状 | 第10-13页 |
| 1.3.2 国内研究现状 | 第13-14页 |
| 1.4 研究方法 | 第14-15页 |
| 1.5 论文结构安排 | 第15-17页 |
| 第2章 现有乘运质量检测研究 | 第17-29页 |
| 2.1 故障及故障原因分析 | 第17-19页 |
| 2.1.1 机械系统方面分析 | 第17-18页 |
| 2.1.2 电气系统方面分析 | 第18-19页 |
| 2.2 现有的安全评价方法 | 第19-22页 |
| 2.2.1 预先危险性分析法 | 第20-21页 |
| 2.2.2 失效模式及影响分析 | 第21页 |
| 2.2.3 变指数线性综合风险集成方法 | 第21-22页 |
| 2.3 检验检测机构的检验方法 | 第22-28页 |
| 2.3.1 现场操作步骤 | 第22-23页 |
| 2.3.2 数据分析 | 第23-27页 |
| 2.3.3 现有电梯故障检测存在不足 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 机器学习及支持向量机的理论研究 | 第29-39页 |
| 3.1 机器学习理论 | 第29-38页 |
| 3.1.1 经验风险最小化准则 | 第30页 |
| 3.1.2 结构风险最小化 | 第30-31页 |
| 3.1.3 支持向量机概述 | 第31-32页 |
| 3.1.4 支持向量机原理 | 第32-33页 |
| 3.1.5 AR模型的定阶 | 第33-34页 |
| 3.1.6 AR模型参数系数估计 | 第34-35页 |
| 3.1.7 SVM算法 | 第35-36页 |
| 3.1.8 核函数 | 第36-37页 |
| 3.1.9 最小二乘支持向量机（LS-SVM） | 第37-38页 |
| 3.2 本章小结 | 第38-39页 |
| 第4章 电梯运行数据采集及信号预处理 | 第39-50页 |
| 4.1 信号采集硬件 | 第39-40页 |
| 4.2 振动信号采集软件部分 | 第40-41页 |
| 4.3 信号采集过程 | 第41-42页 |
| 4.4 信号预处理 | 第42-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 基于支持向量机的电梯故障识别算法 | 第50-60页 |
| 5.1 基于AR模型的LS-SVM的电梯故障识别 | 第50-55页 |
| 5.1.1 AR自回归系数分布 | 第52-54页 |
| 5.1.2 核主元分析（KPCA） | 第54-55页 |
| 5.2 核主元分析分布图 | 第55-57页 |
| 5.3 LS-SVM建模预测结果 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第6章 电梯乘运质量智能分析系统的实现与应用 | 第60-69页 |
| 6.1 系统网络拓扑图 | 第60页 |
| 6.2 系统的组成 | 第60-62页 |
| 6.2.1 环境条件监控子系统 | 第60-61页 |
| 6.2.2 电梯自动选层子系统 | 第61页 |
| 6.2.3 电梯故障诊断子系统 | 第61-62页 |
| 6.3 BS系统的搭建 | 第62-65页 |
| 6.3.1 基础信息模块 | 第62-63页 |
| 6.3.2 通信模块设计 | 第63-65页 |
| 6.4 系统应用：电梯2000次运行试验 | 第65-68页 |
| 6.4.1 2000次运行试验的相应技术标准要求 | 第65-66页 |
| 6.4.2 2000次运行试验的现状 | 第66-67页 |
| 6.4.3 2000次运行试验操作流程 | 第67-68页 |
| 6.5 系统的优势 | 第68页 |
| 6.6 本章小结 | 第68-69页 |
| 第7章 结论与展望 | 第69-71页 |
| 7.1 结论 | 第69页 |
| 7.2 展望 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76页 |
