| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-19页 |
| ·研究背景及研究意义 | 第10-11页 |
| ·国内外研究现状 | 第11-15页 |
| ·隐马尔科夫模型 | 第11-13页 |
| ·隐半马尔科夫模型 | 第13-14页 |
| ·混合模型 | 第14-15页 |
| ·研究对象分析 | 第15-17页 |
| ·齿轮常见失效形式 | 第15-16页 |
| ·齿轮振动特点分析 | 第16-17页 |
| ·本文的主要内容及创新点 | 第17页 |
| ·本文的章节安排 | 第17-19页 |
| 第二章 隐半马尔科夫模型及其在故障诊断中的应用 | 第19-35页 |
| ·隐半马尔科夫模型理论基础 | 第19-21页 |
| ·马尔科夫模型 | 第19-20页 |
| ·隐马尔科夫模型 | 第20-21页 |
| ·隐半马尔科夫模型 | 第21-29页 |
| ·隐半马尔科夫模型定义 | 第21页 |
| ·隐半马尔科夫模型的参数和结构 | 第21-23页 |
| ·隐半马尔科夫模型算法 | 第23-29页 |
| ·隐半马尔科夫模型的故障诊断流程 | 第29-34页 |
| ·数据处理 | 第30-31页 |
| ·HSMMs模型库训练 | 第31-33页 |
| ·分类决策 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 基于神经网络和直觉模糊集的观测概率选取方法 | 第35-47页 |
| ·引言 | 第35页 |
| ·基于ANN和直觉模糊集的初值预测模型 | 第35-41页 |
| ·神经网络的基本原理 | 第35-38页 |
| ·直觉模糊集理论 | 第38-39页 |
| ·基于四分法的隶属度计算方法 | 第39-41页 |
| ·实验结果 | 第41-46页 |
| ·误差矩阵E的获取 | 第41-44页 |
| ·观测概率矩阵B的获取 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第四章 基于自适应滤波的HMM故障诊断方法 | 第47-54页 |
| ·引言 | 第47页 |
| ·构建模型理论基础 | 第47-50页 |
| ·自适应滤波法的基本过程 | 第47-48页 |
| ·N, k值和初始化权系数的确定 | 第48页 |
| ·基于自适应滤波的HMM故障诊断模型 | 第48-50页 |
| ·仿真实验及结果 | 第50-53页 |
| ·状态特征向量获取 | 第50-51页 |
| ·HMM模型库训练 | 第51页 |
| ·诊断结果 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第五章 基于ANN-HSMM的多故障及退化程度诊断方法 | 第54-63页 |
| ·引言 | 第54页 |
| ·构建模型理论基础 | 第54-58页 |
| ·ANN基本原理 | 第54-55页 |
| ·基于ANN-HSMM网络的故障诊断模型 | 第55-58页 |
| ·仿真实验及结果 | 第58-62页 |
| ·训练样本的获取 | 第58-59页 |
| ·网络的训练 | 第59页 |
| ·网络测试结果及分析 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 研究总结及展望 | 第63-65页 |
| ·研究总结及结论 | 第63-64页 |
| ·研究不足与展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 作者在攻读硕士期间的主要工作目录 | 第70页 |
| 一、发表的论文 | 第70页 |
| 二、参与的科研项目 | 第70页 |