| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 目录 | 第9-11页 |
| 1 绪论 | 第11-15页 |
| 1.1 选题背景 | 第11页 |
| 1.2 研究意义及目的 | 第11-12页 |
| 1.2.1 研究意义 | 第11-12页 |
| 1.2.2 研究目的 | 第12页 |
| 1.3 技术路线及论文结构 | 第12-15页 |
| 1.3.1 技术路线 | 第12-13页 |
| 1.3.2 论文结构 | 第13-15页 |
| 2 相关概念及国内外研究现状 | 第15-24页 |
| 2.1 转向架概述 | 第15-17页 |
| 2.1.1 转向架系统基本组成部件 | 第15页 |
| 2.1.2 转向架系统功能介绍 | 第15-17页 |
| 2.1.3 转向架对运行安全的影响 | 第17页 |
| 2.2 可靠性基本概念 | 第17-21页 |
| 2.3 国内外研究现状 | 第21-24页 |
| 2.3.1 转向架系统可靠性的研究 | 第21-22页 |
| 2.3.2 故障预测 | 第22-23页 |
| 2.3.3 视情维修策略 | 第23-24页 |
| 3 基于生存分析理论的转向架系统可靠性分析 | 第24-41页 |
| 3.1 生存分析理论 | 第24-32页 |
| 3.1.1 生存分析基本概念 | 第25-26页 |
| 3.1.2 常用故障分布模型 | 第26-30页 |
| 3.1.3 参数估计 | 第30-31页 |
| 3.1.4 拟合度检验 | 第31-32页 |
| 3.2 转向架可靠性数据基本统计 | 第32-33页 |
| 3.2.1 故障定义及可靠性数据统计原则 | 第32页 |
| 3.2.2 故障数据统计 | 第32-33页 |
| 3.3 基于生存分析理论的转向架系统可靠性分析实例 | 第33-36页 |
| 3.3.1 删失数据统计 | 第33-34页 |
| 3.3.2 各子系统分布模型的确定 | 第34页 |
| 3.3.3 各子系统分布模型的确定 | 第34-36页 |
| 3.4 可靠性特征值 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 基于神经网络的转向架故障率预测模型研究 | 第41-66页 |
| 4.1 神经网络 | 第41-48页 |
| 4.1.1 神经网络基本概念 | 第41-45页 |
| 4.1.2 BP神经网络 | 第45-46页 |
| 4.1.3 LM算法 | 第46-48页 |
| 4.2 进化算法优化的BP神经网络模型 | 第48-52页 |
| 4.2.1 基于遗传算法优化的BP神经网络模型 | 第48-50页 |
| 4.2.2 基于粒子群算法优化的BP神经网络模型 | 第50-52页 |
| 4.3 算例分析 | 第52-65页 |
| 4.3.1 BP神经网络的故障率预测 | 第53-57页 |
| 4.3.2 GA-BP神经网络的故障预测 | 第57-61页 |
| 4.3.3 PSO-BP神经网络的故障预测 | 第61-65页 |
| 4.4 本章小结 | 第65-66页 |
| 5 基于成本优化比例风险模型的转向架视情维修决策 | 第66-82页 |
| 5.1 比例风险模型 | 第67-72页 |
| 5.1.1 比例风险模型建模方法 | 第67-70页 |
| 5.1.2 变量间的相关性分析 | 第70-71页 |
| 5.1.3 协变量的筛选 | 第71-72页 |
| 5.2 转向架视情维修优化决策 | 第72-73页 |
| 5.2.1 视情维修决策阈值的选取 | 第72-73页 |
| 5.2.2 视情维修决策控制限的确定 | 第73页 |
| 5.3 实证建模分析 | 第73-80页 |
| 5.3.1 比例风险模型的建立 | 第74-78页 |
| 5.3.2 视情维修决策控制限的确定 | 第78-80页 |
| 5.4 本章小结 | 第80-82页 |
| 6 结论与展望 | 第82-84页 |
| 参考文献 | 第84-87页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第87-89页 |
| 学位论文数据集 | 第89页 |