| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-22页 |
| 1.2.1 国内外PHM技术的发展 | 第15-19页 |
| 1.2.2 国内外机器学习的研究现状 | 第19-22页 |
| 1.3 关键技术分析及难点 | 第22-23页 |
| 1.4 研究目标与主要研究内容 | 第23-24页 |
| 1.4.1 研究目标 | 第23页 |
| 1.4.2 本文主要研究内容 | 第23-24页 |
| 第二章 关键部件模型研究与故障分析 | 第24-41页 |
| 2.1 机电作动器模型研究与故障分析 | 第24-32页 |
| 2.1.1 机电作动器原理与建模 | 第24-27页 |
| 2.1.2 机电作动器故障分析 | 第27-28页 |
| 2.1.3 机电作动器仿真研究 | 第28-32页 |
| 2.2 液压泵模型研究与故障分析 | 第32-40页 |
| 2.2.1 液压泵原理与建模 | 第32-36页 |
| 2.2.2 液压泵故障分析 | 第36-38页 |
| 2.2.3 液压泵仿真研究 | 第38-40页 |
| 2.3 本章小结 | 第40-41页 |
| 第三章 关键部件故障特征提取方法研究 | 第41-52页 |
| 3.1 小波包能量特征提取算法 | 第41-44页 |
| 3.1.1 小波包分解与重构算法 | 第41-43页 |
| 3.1.2 小波包能量特征提取步骤 | 第43-44页 |
| 3.1.3 小波包仿真工具箱函数介绍 | 第44页 |
| 3.2 机电作动器故障特征提取 | 第44-48页 |
| 3.2.1 数据获取及预处理 | 第44-45页 |
| 3.2.2 故障特征向量提取 | 第45-48页 |
| 3.3 液压泵故障特征提取 | 第48-51页 |
| 3.3.1 数据获取及预处理 | 第48-49页 |
| 3.3.2 故障特征向量提取 | 第49-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第四章 关键部件故障诊断研究 | 第52-67页 |
| 4.1 基于LVQ神经网络的机电作动器故障诊断 | 第52-57页 |
| 4.1.1 LVQ神经网络理论概述 | 第52-53页 |
| 4.1.2 LVQ神经网络算法改进设计 | 第53-54页 |
| 4.1.3 基于LVQ网络的机电作动器故障诊断仿真验证 | 第54-57页 |
| 4.2 基于GA-SVM的液压泵故障诊断 | 第57-66页 |
| 4.2.1 GA-SVM理论概述 | 第57-62页 |
| 4.2.2 GA-SVM算法改进设计 | 第62-63页 |
| 4.2.3 基于GA-SVM的液压泵故障诊断仿真验证 | 第63-66页 |
| 4.3 本章小结 | 第66-67页 |
| 第五章 关键部件剩余寿命预测研究 | 第67-78页 |
| 5.1 基于曲线相似匹配的剩余寿命预测概述 | 第67-68页 |
| 5.2 HI退化曲线提取 | 第68-71页 |
| 5.2.1 HI退化曲线获取 | 第68-69页 |
| 5.2.2 基于聚类算法的HI退化子曲线提取 | 第69-70页 |
| 5.2.3 HI退化子曲线参数确定 | 第70-71页 |
| 5.3 剩余寿命预测与性能评价方法 | 第71-72页 |
| 5.3.1 剩余寿命预测 | 第71-72页 |
| 5.3.2 预测性能评价方法 | 第72页 |
| 5.4 仿真验证 | 第72-77页 |
| 5.4.1 数据预处理 | 第72-73页 |
| 5.4.2 模型训练 | 第73-74页 |
| 5.4.3 预测仿真与性能对比分析 | 第74-77页 |
| 5.5 本章小结 | 第77-78页 |
| 第六章 总结与展望 | 第78-80页 |
| 6.1 本文研究工作总结 | 第78页 |
| 6.2 存在问题及后期研究方向 | 第78-80页 |
| 参考文献 | 第80-85页 |
| 致谢 | 第85-86页 |
| 在学期间的研究成果及发表的学术论文 | 第86页 |