| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-23页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-20页 |
| 1.2.1 回归模型 | 第11页 |
| 1.2.2 序列分析 | 第11-12页 |
| 1.2.3 人工智能 | 第12-14页 |
| 1.2.4 随机过程 | 第14-17页 |
| 1.2.5 信息融合 | 第17-20页 |
| 1.3 论文的研究内容与结构 | 第20-23页 |
| 2 可靠性与寿命预测的基本概念 | 第23-37页 |
| 2.1 可靠性指标 | 第23-24页 |
| 2.2 性能退化失效 | 第24页 |
| 2.3 剩余寿命 | 第24-26页 |
| 2.4 数据预处理 | 第26-34页 |
| 2.4.1 缺失值填补 | 第26-31页 |
| 2.4.2 数据去噪 | 第31-34页 |
| 2.5 本章小结 | 第34-37页 |
| 3 同源信息融合的寿命预测方法 | 第37-61页 |
| 3.1 基于同步多传感器融合寿命预测 | 第37-45页 |
| 3.1.1 问题描述 | 第37-38页 |
| 3.1.2 退化状态估计 | 第38页 |
| 3.1.3 参数估计 | 第38-41页 |
| 3.1.4 同步多传感器的剩余寿命预测 | 第41-43页 |
| 3.1.5 仿真结果 | 第43-45页 |
| 3.2 基于异步多传感器融合寿命预测 | 第45-52页 |
| 3.2.1 问题描述 | 第46页 |
| 3.2.2 退化状态估计 | 第46-48页 |
| 3.2.3 参数估计 | 第48-50页 |
| 3.2.4 异步多传感器的剩余寿命预测 | 第50页 |
| 3.2.5 仿真结果 | 第50-52页 |
| 3.3 基于Weibull分布的多传感器融合寿命预测 | 第52-59页 |
| 3.3.1 问题描述 | 第53-54页 |
| 3.3.2 参数估计 | 第54-55页 |
| 3.3.3 集中式与分布式剩余寿命预测 | 第55-56页 |
| 3.3.4 仿真结果 | 第56-59页 |
| 3.4 本章小结 | 第59-61页 |
| 4 异源信息融合的寿命预测方法 | 第61-75页 |
| 4.1 基于单退化量的失效模型 | 第63-65页 |
| 4.1.1 基于电流的单退化量可靠性模型 | 第63页 |
| 4.1.2 基于轴温的单退化量可靠性模型 | 第63-64页 |
| 4.1.3 基于润滑剂的单退化量可靠性模型 | 第64-65页 |
| 4.2 融合多退化量的可靠性模型 | 第65-67页 |
| 4.3 动量轮可靠性预测 | 第67-73页 |
| 4.4 本章小结 | 第73-75页 |
| 5 多模型融合的寿命预测方法 | 第75-87页 |
| 5.1 退化建模 | 第75-76页 |
| 5.2 非线性寿命预测 | 第76-78页 |
| 5.3 参数估计 | 第78-80页 |
| 5.4 仿真实验研究 | 第80-83页 |
| 5.5 陀螺仪寿命预测 | 第83-86页 |
| 5.6 本章小节 | 第86-87页 |
| 6 深度学习模型融合的寿命预测方法 | 第87-101页 |
| 6.1 长短时记忆神经网络 | 第88-91页 |
| 6.2 降噪自动编码器 | 第91-95页 |
| 6.3 间接健康因子 | 第95-97页 |
| 6.3.1 等压降放电时间 | 第95-96页 |
| 6.3.2 特征相关性分析 | 第96-97页 |
| 6.4 锂电池寿命预测 | 第97-100页 |
| 6.5 本章小结 | 第100-101页 |
| 7 综合电子系统辅助决策系统 | 第101-107页 |
| 7.1 系统框架设计 | 第101页 |
| 7.2 开发环境与平台 | 第101-102页 |
| 7.3 软件实现 | 第102-104页 |
| 7.4 软件使用实例 | 第104-106页 |
| 7.5 本章小结 | 第106-107页 |
| 8 总结与展望 | 第107-109页 |
| 8.1 研究工作总结 | 第107-108页 |
| 8.2 研究工作展望 | 第108-109页 |
| 致谢 | 第109-111页 |
| 参考文献 | 第111-119页 |
| 附录 | 第119-120页 |