摘要 | 第1-12页 |
Abstract | 第12-14页 |
第一章 绪论 | 第14-31页 |
·研究背景及意义 | 第14-15页 |
·文献综述 | 第15-29页 |
·PHM 技术研究综述 | 第15-18页 |
·动力传动系统关键部件故障预测技术研究综述 | 第18-29页 |
·论文主要研究内容及组成 | 第29-31页 |
·论文研究主要问题 | 第29页 |
·论文研究内容和组织结构 | 第29-31页 |
第二章 动力传动关键部件故障机理分析与建模 | 第31-49页 |
·引言 | 第31页 |
·动力传动关键部件故障机理及故障演化规律分析 | 第31-40页 |
·齿轮的主要故障模式和振动机理 | 第31-34页 |
·滚动轴承的主要故障模式和振动机理 | 第34-35页 |
·动力传动系统关键部件故障演化规律分析 | 第35-40页 |
·动力传动系统关键部件故障演化规律建模 | 第40-48页 |
·基于 HMM 动力传动系统关键部件故障演化规律描述模型 | 第40-43页 |
·基于 HSMM 动力传动系统关键部件故障预测建模分析方法 | 第43-48页 |
·本章小结 | 第48-49页 |
第三章 小波相关特征尺度熵特征信息提取技术研究 | 第49-64页 |
·引言 | 第49页 |
·小波相关滤波法的基本理论 | 第49-55页 |
·小波相关滤波法对信号进行降噪的基本原理 | 第49-53页 |
·小波相关滤波法算法实现 | 第53-55页 |
·噪声方差的估计 | 第55页 |
·小波相关特征尺度熵特征信息提取方法研究 | 第55-60页 |
·Shannon 信息熵 | 第55-56页 |
·小波相关特征尺度熵定义及计算 | 第56-59页 |
·小波相关特征尺度熵特征信息提取步骤 | 第59-60页 |
·小波相关特征尺度熵在设备退化状态识别与故障预测中的应用 | 第60-63页 |
·应用实例 | 第60-62页 |
·与小波特征尺度熵方法比较 | 第62-63页 |
·本章小结 | 第63-64页 |
第四章 动力传动关键部件 HSMM 退化状态识别与故障预测技术研究 | 第64-102页 |
·引言 | 第64页 |
·HSMM 基本算法 | 第64-68页 |
·前向-后后算法 | 第64-66页 |
·参数估计 | 第66-68页 |
·基于HSMM 退化状态识别与故障预测模块化训练算法 | 第68-76页 |
·基于K-means 聚类算法的HSMM 模型参数初始化 | 第68-69页 |
·数据溢出问题与改进措施 | 第69-71页 |
·多观测序列HSMM 训练算法的改进 | 第71-74页 |
·HSMM 退化状态识别与故障预测模块化训练算法 | 第74-76页 |
·动力传动关键部件HSMM 退化状态识别与故障预测方法 | 第76-89页 |
·动力传动关键部件 HSMM 退化状态识别与故障预测总体思路 | 第76-77页 |
·HSMM动力传动关键部件退化状态识别模型与方法研究 | 第77-85页 |
·HSMM动力传动关键部件故障预测应用方法研究 | 第85-89页 |
·KPCA-HSMM 退化状态识别与故障预测方法研究 | 第89-100页 |
·基于 KPCA 多通道特征信息融合 | 第89-94页 |
·基于KPCA-HSMM状态识别与故障预测基本技术思路 | 第94-95页 |
·基于 KPCA-HSMM 退化状态识别方法研究 | 第95-98页 |
·基于 KPCA-HSMM 故障预测方法 | 第98-100页 |
·本章小结 | 第100-102页 |
第五章 试验研究 | 第102-115页 |
·引言 | 第102页 |
·试验方案设计 | 第102-105页 |
·试验平台设计 | 第102-104页 |
·试验过程 | 第104-105页 |
·试验结果 | 第105页 |
·试验分析 | 第105-113页 |
·基于小波相关特征尺度熵( WC FSE)特征信息提取试验验证与分析 | 第105-107页 |
·基于 HSMM 退化状态识别与故障预测试验验证与分析 | 第107-110页 |
·基于 KPCA-HSMM 状态识别与故障预测试验验证与分析 | 第110-113页 |
·本章小结 | 第113-115页 |
第六章 结论与展望 | 第115-118页 |
·总结与结论 | 第115-116页 |
·研究展望 | 第116-118页 |
致谢 | 第118-120页 |
参考文献 | 第120-137页 |
作者在学期间取得的学术成果 | 第137页 |