1. 研究目的与意义（文献综述）
随着科学技术和现代工业的飞速发展，国民经济的机械、能源、石化、运载和国防等行业的机械设备日趋大型化、高速化、集成化和自动化。如：百万千瓦大型发电机组、300km/h的高速列车、大型连轨机组、大型舰船、大型盾构掘进装备、成套集成电路制造装备、航空航天运载工具等，对机械故障诊断提出严峻的挑战。关键机械设备一旦出现事故，将带来巨大的经济损失和人员伤亡，国内外因机械设备故障失效而引起的灾难性事故屡有发生。若能准确及时识别运行过程中萌生和演变的故障，对机械系统安全运行，避免重大灾难性事故意义重大。
机器学习的研宄内容，是希望利用计算机来模拟甚至实现人类的学习活动，研究目标是自动获取和产生知识，是人工智能领域目前研宄的热点和前沿问题之一。机器学习是一个多学科的研究领域，它的相关理论汲取了很多学科的研宄成果，例如人工智能、信息论、控制论、统计学习理论、计算复杂性理论、神经生物学、哲学等等。经过多年的研宄和发展，许多优秀和成熟的算法均己被应用在机器学习领域，如支持向量机算法(supportvectormachine,svm)、决策树算法、knn算法（k-nearestneighbor)、朴素bayes方法、神经网络算法、k均值算法、等等。
机器学习方法中的svm算法是近些年提出的一种新的数据分类方法。由于其独立的理论背景以及特殊的分类思想，可以解决许多分类算法无法解决的问题，所以svm这一概念的提出，引起了学术界的广泛关注。svm拥有简洁的数学表达形式，它将学习和训练的过程转化为数学规划中的凸二次规划问题，其几何解释非常地直观，是一种非常优秀的机器学习算法，具有良好的推广能力。
2. 研究的基本内容与方案
本文主要以滚动轴承、齿轮、风电机组作为机械故障诊断的研究对象，在故障诊断技术理论的指导下，深入研究了流形学习算法，并针对其缺点做出改进，然后通过仿真、实验和实际工程应用验证其有效性。主要研究内容如下：
(1)对流形学习算法的基本原理进行研究，并深刻解读等距映射算法的具体流程，了解流形学习可以挖掘非线性数据集的内在结构，相比传统的线性降维方法。
(2)针对流形学习算法易出现数据空洞的问题进行改进，通过国际公认的数据库证明其有效性，解释流形学习在模式识别中的高聚类性的原因。对故障信息特征提取方法进行了对比研究，提出基于imf能量的特征提取方法，然后通过轴承故障诊断实例证明其有效性。
3. 研究计划与安排
(1)2016/1/11—2016/1/22：查阅参考文献，明确选题；
(2)2016/1/23—2016/3/7：进一步阅读文献，并分析和总结；确定技术路线，完成并提交开题报告；
(3)2016/3/8—2016/4/26：需求分析，算法或系统设计，分析、比较或实现等；
4. 参考文献（12篇以上）
[1]胡浩松.基于流形学习的旋转机械故障识别方法研究[d].燕山大学,2015[2]万鹏.基于流行学习的主轴系统故障诊断方法研究[d].北京信息科技大学,2013[3]潘瑞雪.基于svm的故障视频图像识别与诊断技术研究与实现[d].华中师范大学,2014
[4]王广斌.基于流形学习的旋转机械故障诊断方法研究[d].中南大学,2010
[5]赵志宏.基于振动信号的机械故障特征提取与诊断研究[d].北京交通大学,2012
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
