| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-20页 |
| 1.1 课题来源 | 第10页 |
| 1.2 设备故障预测的意义 | 第10-11页 |
| 1.3 设备故障预测的研究现状 | 第11-14页 |
| 1.3.1 基于数据的预测方法 | 第12-13页 |
| 1.3.2 基于模型的预测方法 | 第13-14页 |
| 1.3.3 基于知识的预测方法 | 第14页 |
| 1.4 同源信息融合技术的研究现状 | 第14-17页 |
| 1.4.1 全息谱分析方法 | 第15-16页 |
| 1.4.2 全频谱分析方法 | 第16-17页 |
| 1.4.3 全矢谱分析方法 | 第17页 |
| 1.5 本课题的研究目的和意义 | 第17-18页 |
| 1.6 本文的主要内容 | 第18-20页 |
| 2 支持向量回归理论 | 第20-30页 |
| 2.1 引言 | 第20页 |
| 2.2 机器学习 | 第20-22页 |
| 2.2.1 机器学习的表达 | 第20-21页 |
| 2.2.2 经验风险最小化原则 | 第21-22页 |
| 2.3 统计学习理论 | 第22-26页 |
| 2.3.1 统计学习具有一致性的条件 | 第22页 |
| 2.3.2 统计学习VC维概念 | 第22-23页 |
| 2.3.3 结构风险最小化原则 | 第23-26页 |
| 2.4 支持向量回归思想 | 第26-28页 |
| 2.4.1 最大间隔法分类 | 第26-27页 |
| 2.4.2 支持向量回归 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 3 全矢谱技术及应用 | 第30-43页 |
| 3.1 引言 | 第30页 |
| 3.2 全矢谱技术的基本理论 | 第30-36页 |
| 3.3 全矢谱技术的数值算法 | 第36-37页 |
| 3.4 全矢谱技术的兼容性 | 第37-38页 |
| 3.5 全矢谱技术的应用 | 第38-42页 |
| 3.6 本章小结 | 第42-43页 |
| 4 全矢支持向量回归趋势预测研究 | 第43-55页 |
| 4.1 引言 | 第43页 |
| 4.2 支持向量回归算法 | 第43-49页 |
| 4.2.1 线性回归及损失函数 | 第43-45页 |
| 4.2.2 ε—不敏感损失函数 | 第45-46页 |
| 4.2.3 ε—不敏感损失函数的线性回归 | 第46-48页 |
| 4.2.4 非线性回归的推广 | 第48-49页 |
| 4.3 全矢支持向量回归预测模型及其应用 | 第49-54页 |
| 4.3.1 时间序列样本重构及预测 | 第49-50页 |
| 4.3.2 预测结果的评价 | 第50页 |
| 4.3.3 支持向量回归预测的仿真分析 | 第50-51页 |
| 4.3.4 全矢支持向量回归预测模型的构建 | 第51-52页 |
| 4.3.5 全矢支持向量回归在预测汽轮机组运行状态中的应用 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 5 基于全矢谱的最小二乘支持向量回归故障预测研究 | 第55-67页 |
| 5.1 引言 | 第55页 |
| 5.2 最小二乘支持向量回归的算法 | 第55-57页 |
| 5.3 全矢最小二乘支持向量回归预测模型及应用 | 第57-66页 |
| 5.3.1 对汽轮机组振动信号 1X主振矢的预测 | 第57-58页 |
| 5.3.2 全矢最小二乘支持向量回归预测模型的参数选择 | 第58-63页 |
| 5.3.3 基于全矢最小二乘支持向量回归的多步预测及频谱结构预测 | 第63-66页 |
| 5.4 本章小结 | 第66-67页 |
| 6 结论与展望 | 第67-69页 |
| 6.1 本文工作总结 | 第67页 |
| 6.2 课题研究的创新点 | 第67-68页 |
| 6.3 展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第74页 |
