| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-23页 |
| 1.1 课题的研究意义 | 第11-12页 |
| 1.2 AUV推进器故障诊断发展动态 | 第12-18页 |
| 1.2.1 AUV故障诊断方法分类 | 第12-13页 |
| 1.2.2 AUV推进器故障诊断方法研究现状 | 第13-18页 |
| 1.3 基于流形学习算法的故障诊断方法研究现状 | 第18-20页 |
| 1.4 基于免疫算法的故障诊断方法研究现状 | 第20-21页 |
| 1.5 课题的来源及本文研究内容 | 第21-23页 |
| 第2章 AUV推进系统研究 | 第23-33页 |
| 2.1 引言 | 第23页 |
| 2.2“海狸-II”AUV简介 | 第23-25页 |
| 2.3 AUV推进系统研究 | 第25-32页 |
| 2.3.1 主推进器结构设计与改进 | 第25-28页 |
| 2.3.2 推进器动力学建模及实验 | 第28-30页 |
| 2.3.3 推进器故障模拟方法 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 AUV推进器故障特征提取方法及实验研究 | 第33-59页 |
| 3.1 引言 | 第33-34页 |
| 3.2 传统ISOMAP算法中相关参数的确定 | 第34-39页 |
| 3.2.1 延时量τ 和嵌入维数m的确定 | 第35页 |
| 3.2.2 降维维数d的确定 | 第35-39页 |
| 3.3 基于D-S证据理论与ISOMAP相结合的特征提取算法研究 | 第39-44页 |
| 3.3.1 传统ISOMAP算法存在问题分析 | 第39-40页 |
| 3.3.2 基于D-S证据理论与ISOMAP相结合的特征提取算法的提出 | 第40-42页 |
| 3.3.3 使用D-S证据理论时存在问题分析 | 第42-44页 |
| 3.4 基于改进D-S证据理论的AUV故障特征提取算法研究 | 第44-48页 |
| 3.4.1 基于改进D-S证据理论算法研究 | 第44-46页 |
| 3.4.2 基于改进D-S证据理论的故障特征提取方法的提出 | 第46-48页 |
| 3.5 实验验证 | 第48-56页 |
| 3.5.1 改进D-S证据理论数据融合效果对比实验验证 | 第48-52页 |
| 3.5.2 相空间重构效果对比实验验证 | 第52-54页 |
| 3.5.3 特征提取结果对比实验验证 | 第54-56页 |
| 3.6 本章小结 | 第56-59页 |
| 第4章 AUV推进器故障检测方法及实验研究 | 第59-71页 |
| 4.1 引言 | 第59-60页 |
| 4.2 基于改进人工免疫算法的故障检测方法研究 | 第60-65页 |
| 4.2.1 传统人工免疫算法存在问题分析 | 第60-61页 |
| 4.2.2 改进算法相关简化及响应流程 | 第61-63页 |
| 4.2.3 本文故障检测方法具体实现过程 | 第63-65页 |
| 4.3 实验验证 | 第65-69页 |
| 4.3.1 强故障检测对比实验 | 第65-68页 |
| 4.3.2 弱故障故障检测对比实验 | 第68-69页 |
| 4.4 本章小结 | 第69-71页 |
| 第5章 AUV推进器未知程度故障辨识方法及实验研究 | 第71-85页 |
| 5.1 引言 | 第71页 |
| 5.2 基于故障半径的故障辨识方法研究 | 第71-75页 |
| 5.2.1 故障半径与故障程度关系研究 | 第71-73页 |
| 5.2.2 基于故障半径方法的故障辨识结果与原因分析 | 第73-75页 |
| 5.3 基于改进SVDD算法的故障辨识方法研究 | 第75-80页 |
| 5.3.1 使用SVDD算法进行分类面划分原因分析 | 第75-76页 |
| 5.3.2 故障超球半径与故障程度关系研究 | 第76-78页 |
| 5.3.3 本文基于改进SVDD算法的故障辨识方法 | 第78-80页 |
| 5.4 未知程度故障辨识实验研究 | 第80-83页 |
| 5.4.1 改进SVDD方法与故障半径方法辨识效果对比 | 第80-81页 |
| 5.4.2 改进SVDD方法与传统SVDD方法辨识效果对比 | 第81-82页 |
| 5.4.3 本文改进SVDD方法弱故障辨识效果对比 | 第82-83页 |
| 5.5 本章小结 | 第83-85页 |
| 结论 | 第85-87页 |
| 参考文献 | 第87-96页 |
| 致谢 | 第96页 |
