| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.2 电梯检测诊断技术的国内外研究现状 | 第12-13页 |
| 1.3 电梯故障诊断方法的研究 | 第13-15页 |
| 1.3.1 电梯故障常见分类 | 第13页 |
| 1.3.2 电梯故障检测的发展历程 | 第13-15页 |
| 1.4 小波包理论和支持向量机方法在故障诊断中的研究与发展 | 第15页 |
| 1.5 本文研究内容与安排 | 第15-17页 |
| 第二章 电梯结构及振动机理分析 | 第17-23页 |
| 2.1 电梯的基本知识 | 第17-19页 |
| 2.1.1 电梯的分类 | 第17-18页 |
| 2.1.2 电梯的基本结构 | 第18-19页 |
| 2.2 电梯的运行原理 | 第19页 |
| 2.3 电梯乘坐的安全性与振动分析 | 第19-20页 |
| 2.3.1 电梯乘坐的安全性分析 | 第19-20页 |
| 2.3.2 影响电梯轿厢振动的因素 | 第20页 |
| 2.4 电梯导靴引起振动的机理分析 | 第20-22页 |
| 2.4.1 导靴分类及结构 | 第20-22页 |
| 2.4.2 影响导靴摩擦的主要因素 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 电梯信号采集系统 | 第23-31页 |
| 3.1 EVA-625和EVA电梯振动分析软件 | 第23页 |
| 3.2 EVA-625结构 | 第23-25页 |
| 3.3 EVA-625操作说明 | 第25-27页 |
| 3.4 电梯数据采集 | 第27-29页 |
| 3.5 本章小结 | 第29-31页 |
| 第四章 非平稳信号的时频分析方法 | 第31-41页 |
| 4.1 时域分析方法 | 第31-32页 |
| 4.1.1 有量纲指标和无量纲指标 | 第31-32页 |
| 4.1.2 常用时域分析方法 | 第32页 |
| 4.2 频域分析方法 | 第32-33页 |
| 4.3 时频域分析方法 | 第33-35页 |
| 4.3.1 短时傅里叶变换 | 第34页 |
| 4.3.2 经验模态分解法(EMD) | 第34-35页 |
| 4.3.3 小波分析 | 第35页 |
| 4.4 小波理论基本原理及算法 | 第35-38页 |
| 4.4.1 小波函数 | 第35-36页 |
| 4.4.2 离散小波变换 | 第36页 |
| 4.4.3 小波分解的Mallat算法 | 第36-38页 |
| 4.5 小波包理论及原理算法 | 第38-40页 |
| 4.5.1 小波包原理 | 第38-39页 |
| 4.5.2 小波包的分解与重构算法 | 第39-40页 |
| 4.6 本章小结 | 第40-41页 |
| 第五章 电梯故障诊断实例研究 | 第41-49页 |
| 5.1 电梯振动加速度信号的时域分析 | 第41-42页 |
| 5.2 电梯振动加速度信号的小波分解与峭度指标分析 | 第42-44页 |
| 5.3 电梯振动加速度信号的小波包分析 | 第44-48页 |
| 5.3.1 小波包树分解 | 第44-46页 |
| 5.3.2 小波包能量分布图 | 第46-47页 |
| 5.3.3 小波包能量算法 | 第47-48页 |
| 5.4 本章小结 | 第48-49页 |
| 第六章 基于参数优化支持向量机的电梯故障诊断 | 第49-73页 |
| 6.1 统计学习理论与支持向量机原理 | 第49-62页 |
| 6.1.1 机器学习 | 第50-51页 |
| 6.1.2 统计学习理论 | 第51-53页 |
| 6.1.3 支持向量机 | 第53-59页 |
| 6.1.4 最小二乘支持向量机 | 第59-60页 |
| 6.1.5 多分类支持向量机方法 | 第60-62页 |
| 6.2 支持向量机分类模型的参数优化 | 第62-71页 |
| 6.2.1 参数优化问题 | 第62页 |
| 6.2.2 三种参数优化方法的比对 | 第62-71页 |
| 6.3 本章小结 | 第71-73页 |
| 第七章 总结与展望 | 第73-75页 |
| 7.1 研究工作总结 | 第73页 |
| 7.2 工作展望 | 第73-75页 |
| 致谢 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 附录A (攻读学位期间所取得的相关科研成果) | 第83页 |