基于融合方法的故障预测技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 PHM的国内外研究现状 | 第13-14页 |
| 1.2.2 融合方法故障预测的国内外研究现状 | 第14-15页 |
| 1.3 目的和意义 | 第15-16页 |
| 1.4 本文主要内容 | 第16-18页 |
| 第二章 液压泵内泄漏的仿真分析与实验平台搭建 | 第18-29页 |
| 2.1 基于AMESim的液压泵内泄漏仿真 | 第18-20页 |
| 2.1.1 AMESim软件简介 | 第18页 |
| 2.1.2 基于AMESim的柱塞泵建模 | 第18-20页 |
| 2.2 液压实验平台的搭建 | 第20-26页 |
| 2.2.1 液压实验平台组成 | 第20页 |
| 2.2.2 实验平台液压系统回路设计 | 第20-21页 |
| 2.2.3 实验平台电气控制系统设计 | 第21-22页 |
| 2.2.4 实验平台数据采集系统硬件设计 | 第22页 |
| 2.2.5 实验平台数据采集系统软件设计 | 第22-26页 |
| 2.3 数据异常点的识别与处理 | 第26-29页 |
| 2.3.1 拉伊达规则（3σ准则） | 第26-27页 |
| 2.3.2 验证实例 | 第27-29页 |
| 第三章 基于支持向量机的故障预测技术研究 | 第29-46页 |
| 3.1 支持向量机的基本理论 | 第29-34页 |
| 3.1.1 统计学习理论 | 第30页 |
| 3.1.2 经验风险最小化原则 | 第30-32页 |
| 3.1.3 VC维理论和推广性的界 | 第32-33页 |
| 3.1.4 结构风险最小化原则 | 第33-34页 |
| 3.2 支持向量机的提出与分类理论 | 第34-41页 |
| 3.2.1 支持向量机的提出 | 第34页 |
| 3.2.2 支持向量机的分类 | 第34-37页 |
| 3.2.3 支持向量机分类算法理论 | 第37-39页 |
| 3.2.4 核函数 | 第39-41页 |
| 3.3 基于支持向量机的故障预测 | 第41-46页 |
| 3.3.1 支持向量机的流程 | 第41-43页 |
| 3.3.2 支持向量机在MATLAB的实现 | 第43页 |
| 3.3.3 基于支持向量机的故障预测结果及分析 | 第43-46页 |
| 第四章 基于人工神经网络的故障预测技术研究 | 第46-71页 |
| 4.1 人工神经网络 | 第46-48页 |
| 4.1.1 人工神经网络理论的发展 | 第46页 |
| 4.1.2 人工神经网络的基本结构与典型模型 | 第46-48页 |
| 4.2 前馈网络 | 第48-51页 |
| 4.3 基于BP神经网络的故障预测 | 第51-59页 |
| 4.3.1 BP算法及其原理 | 第51-52页 |
| 4.3.2 BP算法的数学表达 | 第52-53页 |
| 4.3.3 BP算法的实现步骤 | 第53-55页 |
| 4.3.4 BP网络在MATLB中的实现 | 第55-56页 |
| 4.3.5 基于BP神经网络的故障预测结果及分析 | 第56-59页 |
| 4.4 基于小波神经网络的故障预测 | 第59-71页 |
| 4.4.1 小波分析简介 | 第59-63页 |
| 4.4.2 小波神经网络的提出 | 第63-64页 |
| 4.4.3 小波神经网络算法 | 第64-67页 |
| 4.4.4 基于小波神经网络的故障预测结果及分析 | 第67-71页 |
| 第五章 基于模糊信息粒化的融合故障预测技术研究 | 第71-81页 |
| 5.1 模糊集合理论 | 第71页 |
| 5.2 信息粒化理论 | 第71-72页 |
| 5.3 模糊信息粒化的实现 | 第72-73页 |
| 5.4 基于模糊信息粒化和BP神经网络的故障预测 | 第73-75页 |
| 5.5 基于模糊信息粒化和支持向量机的故障预测 | 第75-78页 |
| 5.6 基于模糊信息粒化和小波神经网络的故障预测 | 第78-81页 |
| 结论与展望 | 第81-83页 |
| 参考文献 | 第83-87页 |
| 攻读硕士学位期间取得的学术成果 | 第87-88页 |
| 致谢 | 第88页 |
