文摘
英文文摘
插图索引
附表索引
第1章 绪论
1.1 选题背景及意义
1.2 旋转机械故障诊断技术
1.3 支持向量机在故障诊断领域研究的国内外现状
1.3.1 国外研究现状
1.3.2 国内研究现状
1.4 课题来源及主要内容
1.4.1 课题来源
1.4.2 主要研究内容与安排
第2章 典型故障信号的分析和特征提取
2.1 引言
2.2 实验装置简介
2.3 典型故障信号分析
2.4 熵带法及其基本性质
2.4.1 熵带法概念
2.4.2 熵带法基本性质
2.5 振动信号的熵带特征
2.5.1 奇异值谱熵
2.5.2 功率谱熵
2.5.3 小波空间状态特征谱熵和小波能谱熵
2.6 基于信息熵的转子系统故障诊断
2.7 本章小结
第3章 基于支持向量机的转子系统故障多分类器设计
3.1 引言
3.2 统计学习理论基础
3.2.1 VC维
3.2.2 推广性的界
3.2.3 结构风险最小化
3.3 支持向量机的两分类问题
3.3.1 线性可分情况
3.3.2 非线性可分情况
3.3.3 核参数与惩罚因子C对SVM分类性能的影响
3.4 仿真实验
3.5 支持向量机的多分类问题
3.5.1 一对一(one against one)算法
3.5.2 一对多( one against all)算法
3.5.3 有向无环图分类法(directed acyclic gragh)
3.6 基于SVM多故障识别分类器的设计
3.7 本章小结
第4章 SVM参数优化及其训练样本的数据处理
4.1 引言
4.2 基于信息熵作为SVM训练样本的数据归一化
4.2.1 样本归一化的概念
4.2.2 熵带数据的归一化
4.3 SVM训练样本的主元特征提取
4.3.1 核主元特征提取的概念
4.3.2 基于核主元方法对熵带样本的分析
4.4 基于遗传算法优化的SVM
4.4.1 遗传算法的概念
4.4.2 遗传算法的实现技术
4.4.3 GA-SVM的算法流程
4.4.4 基于熵带法和GA-SVM的转子故障诊断
4.5 基于粒子蚁群算法优化的SVM
4.5.1 粒子蚁群算法的概念
4.5.2 粒子蚁群算法的参数设置
4.5.3 基于熵带法和PSO优化SVM的转子故障诊断
4.6 GA算法和PSO算法的比较
4.7 本章小结
第5章 转子故障诊断系统的设计和实现
5.1 引言
5.2 转子故障特征向量计算
5.3 转子故障的SVM分类器设计
5.4 基于熵带法和SVM的转子故障诊断的实验结果
5.5 基于MATLAB GUI的转子故障诊断系统的实现
5.5.1 MATLAB GUI简介
5.5.2 MATLAB GUI的设计原则和流程
5.5.3 基于MATLAB GUI的转子故障诊断系统的功能
5.5.4 基于MATLAB GUI的转子故障诊断系统的实现
5.6 本章小结
结论与展望
主要结论
研究展望
参考文献
致谢
附录A 攻读学位期间所发表的学术论文目录