摘要 | 第5-7页 |
ABSTRACT | 第7-9页 |
第一章 绪论 | 第16-34页 |
1.1 研究背景及需求分析 | 第16-20页 |
1.1.1 研究背景 | 第16-18页 |
1.1.2 需求分析 | 第18-20页 |
1.2 基于单类学习的异常检测方法及其在设备状态识别中的研究现状 | 第20-28页 |
1.2.1 基于单类学习的异常检测方法概述 | 第20-23页 |
1.2.2 基于单类学习的异常检测方法在设备状态识别中的应用研究现状 | 第23-26页 |
1.2.3 异常检测在设备状态识别应用中存在的主要问题 | 第26-28页 |
1.3 主要研究工作及章节安排 | 第28-34页 |
1.3.1 研究对象 | 第28-30页 |
1.3.2 研究思路与研究内容 | 第30-31页 |
1.3.3 本文的章节安排 | 第31-34页 |
第二章 基于特征评估的异常检测算法研究 | 第34-64页 |
2.1 引言 | 第34-35页 |
2.2 振动信号特征提取 | 第35-39页 |
2.2.1 信号处理方法概述 | 第35-37页 |
2.2.2 经验模态分解和集成经验模态分解方法 | 第37-39页 |
2.3 特征选择技术概述 | 第39-42页 |
2.4 基于支持向量数据描述的特征评估技术 | 第42-49页 |
2.4.1 支持向量数据描述方法概述 | 第43-47页 |
2.4.2 基于支持向量数据描述的特征评估技术 | 第47-49页 |
2.5 基于特征评估技术的异常检测算法 | 第49-52页 |
2.5.1 异常检测算法的性能评价指标 | 第49-51页 |
2.5.2 基于特征评估的异常检测算法 | 第51-52页 |
2.6 试验研究 | 第52-63页 |
2.6.1 数据预处理 | 第53-54页 |
2.6.2 原始特征的提取 | 第54-60页 |
2.6.3 基于特征评估的异常检测算法 | 第60-62页 |
2.6.4 结果分析 | 第62-63页 |
2.7 本章小结 | 第63-64页 |
第三章 基于混合集成的异常检测模型研究 | 第64-80页 |
3.1 引言 | 第64-65页 |
3.2 集成学习概述 | 第65-68页 |
3.3 基于混合集成的异常检测模型 | 第68-74页 |
3.3.1 主要异常检测算法基本原理 | 第69-70页 |
3.3.2 混合集成的异常检测模型 | 第70-73页 |
3.3.3 混合集成用于异常检测的理论分析 | 第73-74页 |
3.4 试验研究 | 第74-78页 |
3.5 本章小结 | 第78-80页 |
第四章 基于进化学习的异常检测系统研究 | 第80-95页 |
4.1 引言 | 第80-81页 |
4.2 多类分类方法概述 | 第81-83页 |
4.3 基于进化学习的异常检测集成诊断系统 | 第83-87页 |
4.3.1 建立异常检测集成诊断系统的需求分析 | 第83-84页 |
4.3.2 异常检测集成诊断系统设计 | 第84-87页 |
4.4 基于支持向量的在线进化学习方法 | 第87-89页 |
4.5 试验研究 | 第89-93页 |
4.6 本章小结 | 第93-95页 |
第五章 异常检测在重型轧辊磨床状态识别中的应用研究 | 第95-113页 |
5.1 引言 | 第95页 |
5.2 重型轧辊磨床状态监测和诊断系统总体设计 | 第95-99页 |
5.3 关键部件状态监测和诊断系统设计 | 第99-104页 |
5.3.1 振动传感器的安装布局 | 第99-100页 |
5.3.2 现场监测诊断仪的设计 | 第100-102页 |
5.3.3 异常检测集成诊断系统的实施方案 | 第102-104页 |
5.4 信号采集处理和异常检测集成诊断系统应用分析 | 第104-112页 |
5.4.1 振动信号分析 | 第106-108页 |
5.4.2 异常检测方法应用 | 第108-112页 |
5.4.3 实际应用效果 | 第112页 |
5.5 本章小结 | 第112-113页 |
第六章 总结与展望 | 第113-117页 |
6.1 研究总结 | 第113-115页 |
6.2 主要创新点 | 第115-116页 |
6.3 未来工作的展望 | 第116-117页 |
参考文献 | 第117-131页 |
致谢 | 第131-132页 |
攻读博士学位期间已发表的论文 | 第132-133页 |
攻读博士学位期间参与的科研项目 | 第133页 |