首页--工业技术论文--一般工业技术论文--工程基础科学论文--工程数学论文--概率论、数理统计的应用论文--可靠性理论论文

考虑性能退化的机械装备服役可靠性评估方法研究

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

论文共120页,点击 下载论文
上一篇:文创产品感性量化评价方法研究
下一篇:榫卯结构在现代家居产品中的设计研究