| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第14-21页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 研究意义 | 第15-16页 |
| 1.3 课题来源 | 第16页 |
| 1.4 国内外研究现状 | 第16-19页 |
| 1.4.1 工业大数据在国内外研究现状 | 第16-17页 |
| 1.4.2 RUL预测研究现状 | 第17-19页 |
| 1.5 论文研究的主要内容 | 第19-20页 |
| 1.6 本章小结 | 第20-21页 |
| 第2章 工业大数据的服务模式设计及接口开发 | 第21-33页 |
| 2.1 工业大数据简析 | 第21-25页 |
| 2.1.1 工业大数据的来源 | 第21-22页 |
| 2.1.2 工业大数据的特点 | 第22-23页 |
| 2.1.3 工业大数据现阶段面临的问题 | 第23-25页 |
| 2.2 工业大数据服务模式设计 | 第25-30页 |
| 2.2.1 采集层 | 第26-27页 |
| 2.2.2 计算层 | 第27页 |
| 2.2.3 服务层 | 第27-28页 |
| 2.2.4 应用层 | 第28页 |
| 2.2.5 技术架构 | 第28-30页 |
| 2.3 基于微服务的接口开发 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 基于梯度增强算法的刀具和轴承RUL预测方法 | 第33-61页 |
| 3.1 理论基础 | 第33-38页 |
| 3.1.1 Gradient Boosting基础 | 第33-35页 |
| 3.1.2 GBDT算法理论基础 | 第35-36页 |
| 3.1.3 XGBoost算法理论基础 | 第36-38页 |
| 3.2 刀具和轴承RUL预测模型 | 第38-39页 |
| 3.3 数据来源与实验装置 | 第39-42页 |
| 3.3.1 铣削刀磨损数据 | 第39-40页 |
| 3.3.2 轴承退化数据 | 第40-42页 |
| 3.4 数据预处理 | 第42-48页 |
| 3.4.1 小波变换 | 第42-43页 |
| 3.4.2 小波降噪 | 第43-48页 |
| 3.5 特征分析 | 第48-56页 |
| 3.5.1 时域特征提取 | 第48-50页 |
| 3.5.2 频域特征提取 | 第50-52页 |
| 3.5.3 时频域特征提取 | 第52-53页 |
| 3.5.4 特征选择 | 第53-56页 |
| 3.6 模型训练与预测 | 第56-60页 |
| 3.6.1 结果评价方法 | 第56页 |
| 3.6.2 刀具RUL预测模型的训练与结果 | 第56-58页 |
| 3.6.3 轴承RUL预测模型的训练与结果 | 第58-60页 |
| 3.7 本章小结 | 第60-61页 |
| 第4章 基于深度学习算法的刀具和轴承RUL预测方法 | 第61-72页 |
| 4.1 理论基础 | 第61-68页 |
| 4.1.1 递归神经网络 | 第61-63页 |
| 4.1.2 长短期记忆网络 | 第63-65页 |
| 4.1.3 门控循环单元 | 第65-68页 |
| 4.2 预测模型设计 | 第68-69页 |
| 4.3 模型训练和预测 | 第69-71页 |
| 4.4 本章小结 | 第71-72页 |
| 第5章 总结与展望 | 第72-74页 |
| 5.1 总结 | 第72页 |
| 5.2 展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第80页 |
