| 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 |
