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 |