| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 课题研究的背景及意义 | 第14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 液压泵污染磨损国内外研究现状 | 第14-16页 |
| 1.2.2 剩余使用寿命预测方法国内外研究现状 | 第16-17页 |
| 1.2.3 时间序列预测方法国内外研究现状 | 第17-18页 |
| 1.3 本文的主要研究内容及创新点 | 第18页 |
| 1.4 本文的章节安排 | 第18-20页 |
| 第二章 液压泵失效机理分析及试验设计 | 第20-28页 |
| 2.1 液压泵失效机理分析 | 第20-22页 |
| 2.2 液压泵磨损寿命影响因素分析 | 第22-24页 |
| 2.3 液压泵磨损试验设计 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于隐半马尔可夫模型的剩余寿命预测模型 | 第28-44页 |
| 3.1 隐马尔可夫模型基本理论 | 第28-29页 |
| 3.2 隐半马尔可夫模型基本理论 | 第29-37页 |
| 3.3 基于隐半马尔可夫模型的剩余寿命预测理论 | 第37-41页 |
| 3.4 基于观测序列预测和状态识别的剩余寿命预测模型 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于遗传算法和神经网络组合模型的观测序列预测 | 第44-52页 |
| 4.1 遗传算法基本理论 | 第44-45页 |
| 4.2 神经网络基本理论 | 第45-47页 |
| 4.3 基于遗传算法-神经网络的观测序列预测模型 | 第47-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第五章 用于状态识别的改进的序贯重要性重抽样算法 | 第52-66页 |
| 5.1 状态空间模型 | 第52-53页 |
| 5.2 序贯重要性重抽样方法 | 第53-61页 |
| 5.3 改进的序贯重要性重抽样算法 | 第61-63页 |
| 5.4 本章小结 | 第63-66页 |
| 第六章 工程实例 | 第66-76页 |
| 6.1 遗传算法-神经网络方法用于液压齿轮泵观测量预测 | 第66-68页 |
| 6.2 液压齿轮泵健康状态识别 | 第68-73页 |
| 6.2.1 隐半马尔可夫模型库用于液压齿轮泵的状态识别 | 第68-70页 |
| 6.2.2 改进的序贯重要性重抽样方法用于液压齿轮泵的状态识别 | 第70-73页 |
| 6.3 液压齿轮泵剩余使用寿命计算 | 第73-75页 |
| 6.4 本章小结 | 第75-76页 |
| 第七章 总结与展望 | 第76-78页 |
| 7.1 本文总结 | 第76页 |
| 7.2 展望 | 第76-78页 |
| 参考文献 | 第78-84页 |
| 致谢 | 第84-86页 |
| 作者简介 | 第86-87页 |
