基于PCA与k-NN的故障检测与诊断方法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 选题背景及研究意义 | 第9-10页 |
| 1.2 故障检测与诊断方法分类 | 第10-14页 |
| 1.2.1 基于数学模型的方法 | 第11-12页 |
| 1.2.2 基于知识的方法 | 第12-13页 |
| 1.2.3 基于数据驱动的方法 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-16页 |
| 1.4 论文的研究内容及组织结构 | 第16-17页 |
| 第2章 主成分分析与k-NN方法理论 | 第17-27页 |
| 2.1 主成分分析方法 | 第17-24页 |
| 2.1.1 主成分分析的原理 | 第18-19页 |
| 2.1.2 主成分个数的确定 | 第19-22页 |
| 2.1.3 主成分模型的建立 | 第22-24页 |
| 2.2 k-NN分类方法 | 第24-26页 |
| 2.2.1 k-NN算法的基本思想 | 第24-25页 |
| 2.2.2 LMC算法 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 基于PCA的故障检测及诊断方法 | 第27-33页 |
| 3.1 基于PCA的故障检测 | 第27-30页 |
| 3.1.1 基本思想 | 第27-28页 |
| 3.1.2 故障检测模型的建立 | 第28-30页 |
| 3.2 故障诊断方法 | 第30-32页 |
| 3.2.1 特征向量法 | 第30-31页 |
| 3.2.2 基于相似度的方法 | 第31页 |
| 3.2.3 基于贡献图的故障原因诊断 | 第31-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第4章 基于N-LMC方法的故障类型识别 | 第33-41页 |
| 4.1 故障类型识别 | 第33-34页 |
| 4.2 N-LMC方法的提出 | 第34-35页 |
| 4.3 基于N-LMC方法的故障类型识别 | 第35-39页 |
| 4.3.1 基本思想 | 第36页 |
| 4.3.2 结合PCA的故障类型识别 | 第36-39页 |
| 4.4 本章小结 | 第39-41页 |
| 第5章 仿真实验分析 | 第41-55页 |
| 5.1 基于PCA的故障检测与诊断实验 | 第41-45页 |
| 5.1.1 基于PCA的故障检测 | 第41-44页 |
| 5.1.2 基于贡献图的故障原因诊断 | 第44-45页 |
| 5.2 N-LMC方法验证实验 | 第45-50页 |
| 5.2.1 实验一（Iris数据集） | 第46-48页 |
| 5.2.2 实验二（Wine数据集） | 第48-50页 |
| 5.3 基于N-LMC的故障类型识别实验 | 第50-53页 |
| 5.3.1 纵向对比实验 | 第50-52页 |
| 5.3.2 横向对比实验 | 第52-53页 |
| 5.4 本章小结 | 第53-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士期间发表文章 | 第62页 |
