| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 故障预测与健康管理（PHM）的由来与背景 | 第9-10页 |
| 1.2 故障预测与健康管理（PHM）的主要方法 | 第10-11页 |
| 1.3 故障预测与健康管理（PHM）的研究现状与发展趋势 | 第11-13页 |
| 1.4 本论文的主要结构 | 第13-15页 |
| 第二章 基于机器学习的数字电路PHM技术 | 第15-24页 |
| 2.1 机器学习简介 | 第15-18页 |
| 2.1.1 机器学习的背景 | 第15-16页 |
| 2.1.2 机器学习的算法介绍 | 第16-17页 |
| 2.1.3 机器学习的应用领域 | 第17-18页 |
| 2.2 数字电路的故障以及现有的诊断方法 | 第18-20页 |
| 2.2.1 数字电路的故障分类 | 第18-19页 |
| 2.2.2 现有的针对数字电路的故障诊断方法 | 第19-20页 |
| 2.3 基于机器学习的PHM流程 | 第20-23页 |
| 2.3.1 确定研究对象 | 第21页 |
| 2.3.2 数据的收集 | 第21-22页 |
| 2.3.3 模型的训练 | 第22-23页 |
| 2.3.4 故障诊断及寿命预测 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 PHM测试平台搭建 | 第24-42页 |
| 3.1 芯片选取与分析 | 第24-27页 |
| 3.1.1 74LS280芯片简介 | 第25-26页 |
| 3.1.2 老化测试简介 | 第26页 |
| 3.1.3 特征参数选取 | 第26-27页 |
| 3.2 平台的搭建与数据采集 | 第27-37页 |
| 3.2.1 传感器的选取以及控制器设计 | 第27-31页 |
| 3.2.2 环形振荡器及其设计 | 第31-32页 |
| 3.2.3 ADC简介以及电压电流采集方案设计 | 第32-34页 |
| 3.2.4 数据传输及保存 | 第34-35页 |
| 3.2.5 测试平台组合设计 | 第35-37页 |
| 3.3 测试数据的降噪处理 | 第37-40页 |
| 3.3.1 Kalman滤波器 | 第38-39页 |
| 3.3.2 Kalman滤波器的使用 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第四章 数据处理算法和PHM模型建立 | 第42-65页 |
| 4.1 数据预处理算法 | 第42-45页 |
| 4.1.1 特征参数变换 | 第43-44页 |
| 4.1.2 KNN算法以及预分类 | 第44-45页 |
| 4.2 支持向量机（SVM）算法 | 第45-53页 |
| 4.2.1 最大间隔分离超平面 | 第45-46页 |
| 4.2.2 硬间隔分类器 | 第46-49页 |
| 4.2.3 软间隔分类器 | 第49-51页 |
| 4.2.4 核方法 | 第51-53页 |
| 4.3 74LS280的故障分析与模型建立 | 第53-64页 |
| 4.3.1 利用Matlab对原始数据进行分析 | 第53-58页 |
| 4.3.2 利用原始数据训练模型 | 第58-59页 |
| 4.3.3 利用PCA降维后的数据训练模型 | 第59-61页 |
| 4.3.4 利用KNN预分类后的数据训练模型 | 第61-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 故障诊断方法与寿命预测技术 | 第65-77页 |
| 5.1 基于SVM的PHM故障诊断方法 | 第65-66页 |
| 5.2 基于最小二乘法的PHM故障预测方法 | 第66-71页 |
| 5.2.1 最小二乘法简介 | 第66-67页 |
| 5.2.2 利用最小二乘法预测 74LS280剩余寿命 | 第67-71页 |
| 5.3 基于惯性存储的PHM故障预测改进方法 | 第71-75页 |
| 5.3.1 惯性存储数据结构改良方案 | 第72-74页 |
| 5.3.2 利用惯性存储健康值预测 74LS280剩余寿命 | 第74-75页 |
| 5.4 本章小结 | 第75-77页 |
| 第六章 总结 | 第77-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-82页 |
| 攻读硕士学位期间取得的成果 | 第82-83页 |
