| 摘要 | 第5-6页 |
| 英文摘要 | 第6-13页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 传统人工智能预测方法 | 第15-17页 |
| 1.2.2 深度学习预测方法 | 第17页 |
| 1.3 论文主要工作和结构安排 | 第17-20页 |
| 1.3.1 论文主要工作 | 第17-18页 |
| 1.3.2 论文结构安排 | 第18-20页 |
| 第二章 滚动轴承振动信号的分析方法 | 第20-29页 |
| 2.1 滚动轴承介绍 | 第20-21页 |
| 2.2 滚动轴承振动信号的特征提取 | 第21-28页 |
| 2.2.1 时域特征提取方法 | 第21-24页 |
| 2.2.2 频域特征提取方法 | 第24-26页 |
| 2.2.3 时频域特征提取方法 | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 基于相似度特征和CNN的滚动轴承退化状态建模 | 第29-53页 |
| 3.1 基于相似度的滚动轴承退化特征提取 | 第29-38页 |
| 3.1.1 特征集构造 | 第29-30页 |
| 3.1.2 相似度度量 | 第30-31页 |
| 3.1.3 敏感特征集筛选准则 | 第31-32页 |
| 3.1.4 实验与测试 | 第32-38页 |
| 3.2 基于CNN的滚动轴承退化状态健康指示器构建 | 第38-46页 |
| 3.2.1 卷积神经网络介绍 | 第38-40页 |
| 3.2.2 一维卷积神经网络介绍 | 第40-43页 |
| 3.2.3 基于CNN的退化状态健康指示器构建框架 | 第43-44页 |
| 3.2.4 基于CNN的退化状态健康指示器构建具体流程 | 第44-46页 |
| 3.3 实验验证 | 第46-52页 |
| 3.3.1 轴承振动信号数据集介绍 | 第46-49页 |
| 3.3.2 实验参数设置 | 第49-51页 |
| 3.3.3 实验结果 | 第51-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第四章 基于SF特征和CNN-GRU的滚动轴承退化状态建模 | 第53-66页 |
| 4.1 构造SF特征 | 第53-55页 |
| 4.1.1 SF特征建立步骤 | 第53-54页 |
| 4.1.2 实验验证与测试 | 第54-55页 |
| 4.2 基于CNN的深层特征提取 | 第55-57页 |
| 4.2.1 基于CNN的深层特征提取框架 | 第55-56页 |
| 4.2.2 基于CNN的深层特征提取流程 | 第56-57页 |
| 4.3 基于GRU的滚动轴承退化状态健康指示器构建 | 第57-62页 |
| 4.3.1 递归神经网络介绍 | 第57-58页 |
| 4.3.2 门控循环单元介绍 | 第58-60页 |
| 4.3.3 基于GRU的退化状态健康指示器构建框架及流程 | 第60-62页 |
| 4.4 实验验证 | 第62-65页 |
| 4.4.1 实验参数设置 | 第62页 |
| 4.4.2 实验结果 | 第62-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第五章 基于粒子滤波的滚动轴承剩余寿命预测 | 第66-76页 |
| 5.1 粒子滤波算法介绍 | 第66-69页 |
| 5.2 剩余寿命预测算法框架及流程 | 第69-71页 |
| 5.3 实验分析与验证 | 第71-75页 |
| 5.3.1 实验评价标准 | 第71-72页 |
| 5.3.2 结果对比及评价 | 第72-75页 |
| 5.4 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 全文总结 | 第76-77页 |
| 6.2 下一步工作展望 | 第77-78页 |
| 参考文献 | 第78-86页 |
| 致谢 | 第86-87页 |
| 在学期间发表的学术论文和参加科研情况 | 第87页 |
