首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机软件论文--程序设计、软件工程论文--程序设计论文

基于深度学习和不确定性量化的数据驱动剩余寿命预测方法研究

摘要第5-6页
ABSTRACT第6-7页
第1章 绪论第11-19页
    1.1 研究背景及意义第11-12页
    1.2 研究现状及发展趋势第12-17页
        1.2.1 PHM技术第12-13页
        1.2.2 剩余寿命预测技术第13-15页
        1.2.3 深度学习与不确定性第15-17页
    1.3 本文研究内容与结构第17-19页
        1.3.1 本文主要研究内容第17-18页
        1.3.2 本文组织结构第18-19页
第2章 相关理论与技术第19-31页
    2.1 数据驱动PHM流程第19-21页
    2.2 时间卷积网络第21-24页
        2.2.1 卷积神经网络第21-22页
        2.2.2 时间卷积网络第22-24页
    2.3 LSTM循环神经网络第24-29页
        2.3.1 循环神经网络第24-27页
        2.3.2 LSTM网络第27-29页
    2.4 本章小结第29-31页
第3章 基于Autoencoder-TCN网络的剩余寿命预测第31-49页
    3.1 剩余寿命预测概述第31-32页
        3.1.1 数据驱动剩余寿命预测概述第31页
        3.1.2 RUL常用评价指标第31-32页
    3.2 基于Autoencoder-TCN的剩余寿命预测方法第32-39页
        3.2.1 自动编码器第33-34页
        3.2.2 多层TCN网络连接结构第34-35页
        3.2.3 A utoencoder-TCN混合网络模型第35页
        3.2.4 具体建模流程第35-39页
    3.3 实验验证及结果分析第39-47页
        3.3.1 C-MAPSS数据集介绍第39-41页
        3.3.2 实验及结果分析第41-47页
    3.4 本章小结第47-49页
第4章 基于贝叶斯神经网络的不确定性建模第49-67页
    4.1 剩余寿命预测不确定性概述第49-51页
        4.1.1 RUL预测中的不确定性第49-50页
        4.1.2 不确定性分类第50-51页
        4.1.3 不确定性度量第51页
    4.2 基于贝叶斯神经网络的剩余寿命预测方法第51-55页
        4.2.1 贝叶斯神经网络第51-52页
        4.2.2 变分推断第52-54页
        4.2.3 基于贝叶斯神经网络的剩余寿命预测架构第54-55页
    4.3 不确定性建模与BNN网络构造第55-58页
        4.3.1 不确定性的引入第56-57页
        4.3.2 网络构建第57-58页
    4.4 实验验证及结果分析第58-64页
        4.4.1 PHM08数据集实验第59-62页
        4.4.2 C-MAPSS数据集实验第62-64页
    4.5 本章小结第64-67页
第5章 基于近似贝叶斯推理的剩余寿命预测第67-79页
    5.1 基于Dropout的近似贝叶斯推理概述第67-70页
        5.1.1 神经网络中的Dropout第67-68页
        5.1.2 基于Dropout的近似贝叶斯过程第68-70页
    5.2 基于MC dropout的RUL不确定性建模第70-72页
        5.2.1 基于MC dropout的近似贝叶斯RUL预测框架第70页
        5.2.2 CNN-LSTM网络混合模型第70-72页
    5.3 实验验证及结果分析第72-78页
        5.3.1 C-MAPSS数据集实验第72-76页
        5.3.2 实验结果对比与分析第76-78页
    5.4 本章小结第78-79页
第6章 总结与展望第79-81页
    6.1 工作总结第79-80页
    6.2 下一步工作展望第80-81页
参考文献第81-89页
致谢第89-91页
在读期间发表的学术论文与取得的研究成果第91页

论文共91页,点击 下载论文
上一篇:政府购买公共服务制度研究
下一篇:民族文化旅游景区居民民族关系研究--以湖北省宜昌市车溪村为例