论文目录 | |
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-11页 |
| 1 绪论 | 第11-23页 |
| 1.1 课题来源 | 第11页 |
| 1.2 课题背景和研究意义 | 第11-12页 |
| 1.3 旋转机械故障诊断技术研究现状 | 第12-19页 |
| 1.3.1 故障特征提取方法研究现状 | 第13-17页 |
| 1.3.2 基于人工智能的模式识别研究现状 | 第17-18页 |
| 1.3.3 决策融合诊断研究现状 | 第18-19页 |
| 1.4 基于流形学习的旋转机械早期故障融合诊断的关键问题 | 第19-20页 |
| 1.5 本文主要研究内容及结构安排 | 第20-23页 |
| 2 自适应流形学习的旋转机械微弱特征融合提取 | 第23-69页 |
| 2.1 引言 | 第23-24页 |
| 2.2 基于自适应LTSA流形学习的非线性降噪 | 第24-40页 |
| 2.2.1 相空间重构 | 第24-26页 |
| 2.2.2 基于局部集群系数和极大似然估计的自适应LTSA | 第26-30页 |
| 2.2.3 基于自适应LTSA流形学习的非线性降噪算法 | 第30-31页 |
| 2.2.4 仿真信号降噪实验 | 第31-35页 |
| 2.2.5 应用实例 | 第35-40页 |
| 2.3 多准则融合的混合域敏感特征选择 | 第40-48页 |
| 2.3.1 混合域特征提取 | 第40-43页 |
| 2.3.2 特征选择准则 | 第43-46页 |
| 2.3.3 特征评价序列融合方法 | 第46-47页 |
| 2.3.4 基于DSmT的多准则融合敏感特征选择算法流程 | 第47-48页 |
| 2.4 自适应ONPE流形学习的特征融合约简 | 第48-50页 |
| 2.5 基于自适应流形学习的旋转机械微弱特征融合提取 | 第50-51页 |
| 2.6 实验验证 | 第51-66页 |
| 2.7 本章小结 | 第66-69页 |
| 3 流形距离度量的有监督模糊C均值聚类早期故障识别 | 第69-89页 |
| 3.1 引言 | 第69-70页 |
| 3.2 有监督模糊C均值聚类 | 第70-72页 |
| 3.3 基基于非参数核密度估计的初始聚类中心选择 | 第72-73页 |
| 3.4 基于流形距离的相似性度量 | 第73-74页 |
| 3.5 流形学习度量的有监督模糊C均值聚类算法流程 | 第74-76页 |
| 3.6 实验验证 | 第76-88页 |
| 3.7 本章小结 | 第88-89页 |
| 4 基于模糊一致性矩阵的多源多模型加权决策融合诊断 | 第89-117页 |
| 4.1 引言 | 第89页 |
| 4.2 模糊信息的决策融合方法 | 第89-97页 |
| 4.2.1 融合问题辨识框架与幂集 | 第89-90页 |
| 4.2.2 Dempster-Shafer证据理论 | 第90-93页 |
| 4.2.3 Dezert-Smarandache证据理论 | 第93-96页 |
| 4.2.4 决策判定准则 | 第96-97页 |
| 4.3 基于模糊一致性矩阵的基本概率再分配 | 第97-99页 |
| 4.4 基于模糊一致性矩阵的多源多模型加权决策融合诊断 | 第99-100页 |
| 4.5 实验验证 | 第100-116页 |
| 4.6 本章小结 | 第116-117页 |
| 5 旋转机械状态监测与早期故障诊断系统设计 | 第117-135页 |
| 5.1 引言 | 第117页 |
| 5.2 系统的总体设计 | 第117-120页 |
| 5.2.1 系统需求分析 | 第117-118页 |
| 5.2.2 系统总体结构设计 | 第118-120页 |
| 5.3 系统软件的设计 | 第120-130页 |
| 5.3.1 数据采集模块 | 第121-123页 |
| 5.3.2 状态监测模块 | 第123-125页 |
| 5.3.3 故障诊断模块 | 第125-129页 |
| 5.3.4 数据库设计 | 第129-130页 |
| 5.4 应用实例 | 第130-134页 |
| 5.5 本章小结 | 第134-135页 |
| 6 结论与展望 | 第135-139页 |
| 6.1 全文总结 | 第135-136页 |
| 6.2 主要创新点 | 第136页 |
| 6.3 研究展望 | 第136-139页 |
| 致谢 | 第139-141页 |
| 参考文献 | 第141-155页 |
| 附录 | 第155-156页 |
| A. 作者在攻读博士学位期间发表的论文目录 | 第155页 |
| B. 作者在攻读博士学位期间参加的科研项目 | 第155-156页 |
