| 致谢 | 第6-7页 |
| 摘要 | 第7-8页 |
| abstract | 第8-9页 |
| 1 绪论 | 第16-26页 |
| 1.1 课题研究背景与意义 | 第16页 |
| 1.2 行程开关结构与故障特点 | 第16-18页 |
| 1.3 故障诊断国内外研究现状 | 第18-23页 |
| 1.3.1 故障特征提取方法分析 | 第21-23页 |
| 1.3.2 故障分类方法分析 | 第23页 |
| 1.4 本文的主要研究工作 | 第23-24页 |
| 1.5 论文结构 | 第24-26页 |
| 2 故障诊断基本理论 | 第26-34页 |
| 2.1 统计学习理论 | 第26-28页 |
| 2.1.1 VC维理论 | 第26-27页 |
| 2.1.2 结构风险最小化原则 | 第27-28页 |
| 2.2 粒子群优化算法 | 第28-31页 |
| 2.2.1 粒子群算法简介 | 第28页 |
| 2.2.2 基本粒子群优化算法 | 第28-30页 |
| 2.2.3 标准粒子群优化算法 | 第30-31页 |
| 2.3 模拟退火算法 | 第31-32页 |
| 2.4 小波阈值去噪 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 3 基于小波-支持向量机的行程开关松动故障早期诊断 | 第34-49页 |
| 3.1 基于小波-支持向量机的行程开关螺栓松动早期故障诊断模型 | 第34-35页 |
| 3.2 基于小波变换的行程开关电压信号特征提取 | 第35-36页 |
| 3.3 基于支持向量机的行程开关状态分类算法 | 第36-39页 |
| 3.3.1 支持向量机分类算法 | 第36-38页 |
| 3.3.2 支持向量机模型核函数选择 | 第38-39页 |
| 3.4 基于SA-PSO算法的SVM参数选择 | 第39-40页 |
| 3.5 行程开关故障实验电压信号采集 | 第40-42页 |
| 3.5.1 实验平台 | 第40-42页 |
| 3.5.2 数据采集 | 第42页 |
| 3.6 行程开关电压信号特征提取 | 第42-45页 |
| 3.7 行程开关紧固螺栓松动早期故障诊断结果分析 | 第45-48页 |
| 3.8 本章小结 | 第48-49页 |
| 4 基于EMD-PCA-ELM的行程开关松动故障早期诊断 | 第49-60页 |
| 4.1 基于EMD-PCA-ELM的行程开关螺栓松动早期故障诊断模型 | 第49页 |
| 4.2 基于经验模态分解的行程开关电压信号特征提取算法 | 第49-50页 |
| 4.3 基于主元分析算法的行程开关特征值降维 | 第50-51页 |
| 4.4 基于极限学习机算法的行程开关信号故障识别模型 | 第51-52页 |
| 4.5 行程开关螺栓松动早期故障诊断过程与结果分析 | 第52-57页 |
| 4.5.1 基于EMD-PCA算法的行程开关电压信号特征提取方法 | 第52-55页 |
| 4.5.2 行程开关紧固螺栓松动早期故障诊断结果分析 | 第55-57页 |
| 4.6 行程开关紧固螺栓松动早期故障的两类诊断方法比较 | 第57-58页 |
| 4.7 本章小结 | 第58-60页 |
| 5 基于ARMA模型的行程开关弹性不足故障早期诊断 | 第60-70页 |
| 5.1 行程开关电压信号平稳时间序列 | 第60-62页 |
| 5.1.1 平稳时间序列简介 | 第60页 |
| 5.1.2 时间序列自相关函数与偏自相关函数 | 第60-61页 |
| 5.1.3 时间序列的稳定性检验方法 | 第61-62页 |
| 5.2 ARMA模型 | 第62-63页 |
| 5.2.1 模型介绍 | 第62-63页 |
| 5.2.2 模型的定阶方法 | 第63页 |
| 5.3 基于ARMA模型的行程开关电压信号特征提取 | 第63-64页 |
| 5.4 基于K近邻算法的行程开关特征信号故障分类 | 第64页 |
| 5.5 行程开关弹簧弹性不足早期故障诊断结果分析 | 第64-69页 |
| 5.5.1 行程开关电压信号特征分析 | 第64-65页 |
| 5.5.2 行程开关电压信号特征提取 | 第65-68页 |
| 5.5.3 K近邻算法分类结果 | 第68-69页 |
| 5.6 本章小结 | 第69-70页 |
| 6 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 作者简历 | 第76页 |
