文摘
英文文摘
1绪论
1.1机器学习是推进智能化故障诊断技术的关键
1.2机器学习概述
1.2.1机器学习研究的四个阶段
1.2.2主要的学习策略
1.2.3基本的学习方法
1.3复杂系统故障诊断方法的评价
1.3.1基于解析模型的故障诊断方法
1.3.2基于信号处理的方法
1.3.3基于知识的故障诊断方法
1.4本文研究的内容和总体思路
1.5论文结构安排
2故障诊断的熵描述与多征兆域综合特征知识体
2.1故障诊断的一般过程
2.1.1故障诊断本质的非形式化描述
2.1.2故障诊断的形式化描述
2.2基于信息熵的诊断过程信息-知识流分析
2.2.1信息、知识和智能的辨证关系
2.2.2诊断过程中的信息-知识流的熵描述
2.3多征兆域综合特征知识体的组成
2.4 M-K不同形式征兆的自动获取技术
2.5本章小结
3基于PCA和免疫聚类的双向特征数据压缩方法
3.1引言
3.2基于主元分析方法的横向特征参数降维处理
3.2.1 PCA的基本原理
3.3基于免疫聚类算法的纵向压缩算法
3.3.1几种聚类算法的比较
3.3.2自然免疫相关机理
3.3.3克隆选择算法的原理
3.3.4基于主元核相似度的免疫聚类压缩算法
3.4仿真实验
3.4.1仿真对象说明
3.4.2运用PCA方法进行降维压缩
3.4.3免疫聚类的样本压缩
3.5本章小结
4小样本统计学习理论与SVM学习机
4.1研究背景
4.2基于SLT的机器学习理论的基本观点
4.2.1机器学习问题的本质表示
4.2.2经验风险最小化原则
4.2.3关于不适定问题的理论
4.2.4 VC维
4.2.5推广性的界理论
4.2.6结构风险最小化原则
4.3支持向量机算法
4.3.1广义最优分类超平面
4.3.2支持向量机分类算法的推导
4.4算例
4.5本章小结
5基于SVM的2PTMC多类故障分类算法及其在柴油机故障诊断中的应用
5.1支持向量机用于故障诊断的算法实现
5.2基于2PTMC的多级SVM分类器
5.3柴油机振动信号特征分析
5.4基于小波包的振动信号特征提取
5.4.1小波包变换的基本原理
5.4.2柴油机振动信号特征提取
5.5基于2PTMC的柴油机气门故障诊断
5.6 2PTMC的参数分析
5.7本章小结
6基于SVM学习方法的故障趋势预测研究
6.1引言
6.2支持向量机用于函数回归的方法
6.2.1常用的损失函数的定义
6.2.2函数回归的SVM方法
6.3基于SVM的故障趋势预测研究
6.4本章小结
7建立复杂系统智能维护的免疫机制的新思路——兼论智能故障诊断的发展趋势
7.1引言——从Diagnosis到Prognostics再到Immune Mechanism
7.2研究自然免疫系统可以借鉴的机理
7.3借鉴人工免疫系统的研究成果
7.4免疫Agent是复杂系统免疫机制的核心
7.4.1 Agent的定义与共性特点
7.4.2免疫智能体
7.5建立基于IMA的复杂系统免疫机制
7.6本章小结
8结论
致谢
参考文献
附录1.智能故障诊断中的机器学习平台的部分界面
作者在攻读博士学位期间发表的论文目录
作者在攻读博士期间科研情况及作者在攻读博士期间获奖情况
重庆大学;