摘要 | 第5-7页 |
ABSTRACT | 第7-9页 |
符号对照表 | 第13-15页 |
缩略语对照表 | 第15-18页 |
第一章 绪论 | 第18-24页 |
1.1 研究背景与意义 | 第18-19页 |
1.2 国内外研究现状 | 第19-22页 |
1.2.1 基于失效数据的可靠性评估方法研究现状 | 第19-20页 |
1.2.2 基于性能退化数据的服役可靠性评估方法研究现状 | 第20-21页 |
1.2.3 基于运行数据的服役可靠性评估方法研究现状 | 第21-22页 |
1.3 论文的主要内容与结构框架 | 第22-24页 |
第二章 基于HMM的机械装备服役可靠性评估方法 | 第24-46页 |
2.1 引言 | 第24-25页 |
2.2 马尔科夫过程概述 | 第25-27页 |
2.3 隐马尔科夫模型概述 | 第27-32页 |
2.4 基于连续时间变换HMM的机械装备服役可靠性评估 | 第32-36页 |
2.4.1 性能退化数据的标量量化 | 第32-33页 |
2.4.2 多观测序列状态转移模型的训练 | 第33-34页 |
2.4.3 连续时间变换HMM及转移强度矩阵计算 | 第34-35页 |
2.4.4 服役可靠性评估模型 | 第35-36页 |
2.5 实例分析 | 第36-44页 |
2.5.1 滚柱直线导轨副服役可靠性评估实例分析 | 第36-40页 |
2.5.2 欧泰OTM-650数控铣床服役可靠性评估实例分析 | 第40-44页 |
2.6 本章小结 | 第44-46页 |
第三章 基于EMD样本熵的机械装备服役可靠性评估方法 | 第46-66页 |
3.1 引言 | 第46页 |
3.2 EMD样本熵原理及算法 | 第46-50页 |
3.3 支持向量回归原理及算法 | 第50-55页 |
3.4 基于运行数据的机械装备服役可靠性评估 | 第55-57页 |
3.4.1 EMD样本熵特征提取方法 | 第55-56页 |
3.4.2 Markov服役可靠性计算方法 | 第56-57页 |
3.4.3 利用EMD样本熵和SVR的机械装备服役可靠性评估方法 | 第57页 |
3.5 数控铣床服役可靠性评估实例分析 | 第57-63页 |
3.6 本章小结 | 第63-66页 |
第四章 基于深度特征学习的机械装备服役可靠性评估方法 | 第66-86页 |
4.1 引言 | 第66页 |
4.2 深度学习技术概述 | 第66-69页 |
4.3 堆栈式自编码器概述 | 第69-71页 |
4.4 基于SAE的机械装备服役可靠性评估 | 第71-76页 |
4.4.1 SAE深度特征学习算法 | 第71-73页 |
4.4.2 性能退化特征评价 | 第73-75页 |
4.4.3 基于状态特征的机械装备服役可靠性计算方法 | 第75-76页 |
4.4.4 基于SAE的服役可靠性评估模型 | 第76页 |
4.5 轴承服役可靠性评估实例分析 | 第76-83页 |
4.6 本章小结 | 第83-86页 |
第五章 基于深度特征集成提取的机械装备服役可靠性评估方法 | 第86-104页 |
5.1 引言 | 第86页 |
5.2 集成学习概述 | 第86-90页 |
5.3 基于深度特征集成提取的机械装备服役可靠性评估 | 第90-95页 |
5.3.1 深度特征集成提取实现的框架 | 第90-91页 |
5.3.2 基于聚类的特征集成提取方法 | 第91-93页 |
5.3.3 基于深度特征集成提取的服役可靠性评估模型 | 第93-95页 |
5.4 轴承服役可靠性评估实例分析 | 第95-102页 |
5.5 本章小结 | 第102-104页 |
第六章 总结与展望 | 第104-106页 |
6.1 本文总结 | 第104-105页 |
6.2 展望 | 第105-106页 |
参考文献 | 第106-116页 |
致谢 | 第116-118页 |
作者简介 | 第118-120页 |