摘要 | 第4-6页 |
Abstract | 第6-8页 |
第1章 绪论 | 第13-21页 |
1.1 本论文研究的背景与意义 | 第13-14页 |
1.2 论文的研究现状分析 | 第14-17页 |
1.3 论文的研究方法与可行性分析 | 第17-18页 |
1.3.1 论文的研究方法 | 第17页 |
1.3.2 论文研究的可行性分析 | 第17-18页 |
1.4 本论文的研究内容与工作安排 | 第18-21页 |
第2章 旋转机械故障模拟实验与分析 | 第21-36页 |
2.1 实验目的 | 第21页 |
2.2 实验仪器与装置 | 第21-22页 |
2.3 故障模拟与测试 | 第22-35页 |
2.3.1 旋转机械故障模拟总体方案 | 第22-24页 |
2.3.2 旋转机械故障测试 | 第24-35页 |
2.4 本章小结 | 第35-36页 |
第3章 基于HMM的旋转机械故障诊断流程 | 第36-53页 |
3.1 HMM的基本理论及算法 | 第36-39页 |
3.1.1 HMM的基本描述 | 第36页 |
3.1.2 HMM的应用基础 | 第36-37页 |
3.1.3 HMM基本问题及算法 | 第37-39页 |
3.2 基于HMM的常规故障诊断流程 | 第39-41页 |
3.3 部分信息缺失的特征值提取 | 第41-50页 |
3.3.1 特征提取过程 | 第41-45页 |
3.3.2 特征的选择 | 第45-50页 |
3.4 样本的离散化方法 | 第50-51页 |
3.5 本章小结 | 第51-53页 |
第4章 HMMs模型库的自动选择方法 | 第53-71页 |
4.1 基于似然率评估的模型选择 | 第53-56页 |
4.1.1 基于似然率曲线的HMM模型评估 | 第53-55页 |
4.1.2 基于似然率评估的HMM模型选择 | 第55-56页 |
4.2 逆Viterbi算法理论与实现 | 第56-61页 |
4.2.1 Viterbi问题与算法 | 第56-57页 |
4.2.2 逆Viterbi问题的定义 | 第57-58页 |
4.2.3 逆Viterbi算法的理论与实现 | 第58-61页 |
4.3 基于逆Viterbi算法的闭环训练体系 | 第61-64页 |
4.3.1 基于逆Viterbi算法的HMM模型评估 | 第62-63页 |
4.3.2 基于逆Viterbi算法的闭环训练过程 | 第63-64页 |
4.4 基于逆Viterbi算法的HMMs模型库自动选择方法 | 第64-69页 |
4.4.1 最优组合模型的选择原理 | 第64-65页 |
4.4.2 HMMs模型库自动选择流程 | 第65-66页 |
4.4.3 HMM模型集选择方法 | 第66-67页 |
4.4.4 HMMs模型最优组合寻求方法 | 第67-69页 |
4.5 本章小结 | 第69-71页 |
第5章 信息缺失情况下基于HMM的故障诊断方法 | 第71-83页 |
5.1 故障诊断中信息缺失情况简介 | 第71页 |
5.2 缺失数据的常用处理方法 | 第71-73页 |
5.2.1 缺失数据的常用补偿手段 | 第72页 |
5.2.2 HMM关于缺失数据处理方法的选择 | 第72-73页 |
5.3 HMM的缺失诊断方法 | 第73-80页 |
5.3.1 HMM的缺失诊断理论前提 | 第73-74页 |
5.3.2 HMM的故障诊断过程中的缺失补偿分析 | 第74-76页 |
5.3.3 信息缺失时的Viterbi算法改进 | 第76-79页 |
5.3.4 信息缺失情况下的HMM模型状态识别 | 第79-80页 |
5.4 HMM缺失诊断方法的似然率分析 | 第80-82页 |
5.5 本章小结 | 第82-83页 |
第6章 实验验证与结果分析 | 第83-106页 |
6.1 实验验证目的 | 第83页 |
6.2 实验验证软件环境介绍 | 第83-85页 |
6.3 实验验证结果分析 | 第85-104页 |
6.3.1 基于模型库自动选择方法的识别结果与分析 | 第85-88页 |
6.3.2 HMM缺失诊断方法的识别结果与分析 | 第88-104页 |
6.4 本章小结 | 第104-106页 |
第7章 总结与展望 | 第106-108页 |
7.1 总结 | 第106页 |
7.2 展望 | 第106-108页 |
参考文献 | 第108-114页 |
作者攻读学位期间的科研成果 | 第114-116页 |
致谢 | 第116页 |