首页--工业技术论文--机械、仪表工业论文--机械制造工艺论文--柔性制造系统及柔性制造单元论文

基于支持向量机的转子系统故障诊断方法研究

摘要第1-9页
Abstract第9-11页
插图索引第11-12页
附表索引第12-13页
第1章 绪论第13-19页
   ·选题背景及意义第13-14页
   ·旋转机械故障诊断技术第14-15页
   ·支持向量机在故障诊断领域研究的国内外现状第15-17页
     ·国外研究现状第15-16页
     ·国内研究现状第16-17页
   ·课题来源及主要内容第17-19页
     ·课题来源第17页
     ·主要研究内容与安排第17-19页
第2章 典型故障信号的分析和特征提取第19-30页
   ·引言第19页
   ·实验装置简介第19-20页
   ·典型故障信号分析第20-24页
   ·熵带法及其基本性质第24-25页
     ·熵带法概念第24-25页
     ·熵带法基本性质第25页
   ·振动信号的熵带特征第25-27页
     ·奇异值谱熵第25-26页
     ·功率谱熵第26页
     ·小波空间状态特征谱熵和小波能谱熵第26-27页
   ·基于信息熵的转子系统故障诊断第27-29页
   ·本章小结第29-30页
第3章 基于支持向量机的转子系统故障多分类器设计第30-42页
   ·引言第30页
   ·统计学习理论基础第30-33页
     ·VC 维第31页
     ·推广性的界第31-32页
     ·结构风险最小化第32-33页
   ·支持向量机的两分类问题第33-36页
     ·线性可分情况第33-35页
     ·非线性可分情况第35-36页
     ·核参数与惩罚因子C 对 SVM 分类性能的影响第36页
   ·仿真实验第36-39页
   ·支持向量机的多分类问题第39-40页
     ·一对一(one against one)算法第39页
     ·一对多(one against all)算法第39页
     ·有向无环图分类法(directed acyclic gragh)第39-40页
   ·基于 SVM 多故障识别分类器的设计第40页
   ·本章小结第40-42页
第4章 SVM 参数优化及其训练样本的数据处理第42-57页
   ·引言第42页
   ·基于信息熵作为SVM 训练样本的数据归一化第42-44页
     ·样本归一化的概念第42-43页
     ·熵带数据的归一化第43-44页
   ·SVM 训练样本的主元特征提取第44-47页
     ·核主元特征提取的概念第44-46页
     ·基于核主元方法对熵带样本的分析第46-47页
   ·基于遗传算法优化的 SVM第47-52页
     ·遗传算法的概念第47页
     ·遗传算法的实现技术第47-49页
     ·GA-SVM 的算法流程第49-50页
     ·基于熵带法和GA-SVM 的转子故障诊断第50-52页
   ·基于粒子蚁群算法优化的SVM第52-55页
     ·粒子蚁群算法的概念第52-54页
     ·粒子蚁群算法的参数设置第54页
     ·基于熵带法和PSO 优化SVM 的转子故障诊断第54-55页
   ·GA 算法和PSO 算法的比较第55-56页
   ·本章小结第56-57页
第5章 转子故障诊断系统的设计和实现第57-68页
   ·引言第57页
   ·转子故障特征向量计算第57-58页
   ·转子故障的SVM 分类器设计第58-59页
   ·基于熵带法和SVM 的转子故障诊断的实验结果第59-60页
   ·基于 MATLAB GUI 的转子故障诊断系统的实现第60-67页
     ·MATLAB GUI 简介第60-61页
     ·MATLAB GUI 的设计原则和流程第61页
     ·基于MATLAB GUI 的转子故障诊断系统的功能第61-62页
     ·基于MATLAB GUI 的转子故障诊断系统的实现第62-67页
   ·本章小结第67-68页
结论与展望第68-70页
 主要结论第68-69页
 研究展望第69-70页
参考文献第70-74页
致谢第74-75页
附录A 攻读学位期间所发表的学术论文目录第75页

论文共75页,点击 下载论文
上一篇:液压平衡阀动态特性的数值解析
下一篇:中碳钢轴类构件的微动磨损特性及其对疲劳寿命的影响