| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第17-22页 |
| 1.1 选题背景与研究意义 | 第17-18页 |
| 1.2 深度学习在预测方面的国内外研究现状 | 第18-19页 |
| 1.3 论文的研讨思路与章节安排 | 第19-22页 |
| 1.3.1 论文的研讨思路 | 第19-20页 |
| 1.3.2 论文的章节安排 | 第20-22页 |
| 第2章 基于ASTFA的滚动轴承趋势分析和浅层学习的RUL预测模型 | 第22-48页 |
| 2.1 引言 | 第22页 |
| 2.2 振动信号处理和特征提取 | 第22-33页 |
| 2.2.1 滚动轴承振动信号处理 | 第22-27页 |
| 2.2.2 基于ASTFA的滚动轴承特征参数提取 | 第27-33页 |
| 2.2.3 面向滚动轴承趋势分析的特征参数选择 | 第33页 |
| 2.3 基于ASTFA方法的滚动轴承趋势分析 | 第33-42页 |
| 2.3.1 实验数据 | 第33-35页 |
| 2.3.2 验证分析 | 第35-42页 |
| 2.4 基于PSO-BP的滚动轴承RUL预测模型 | 第42-46页 |
| 2.4.1 基于PSO-BP的滚动轴承RUL预测模型 | 第42-44页 |
| 2.4.2 实验验证与分析 | 第44-46页 |
| 2.5 基于PSO-LS-SVR的滚动轴承RUL预测模型 | 第46-47页 |
| 2.5.1 基于PSO-LS-SVR的滚动轴承RUL预测模型 | 第46-47页 |
| 2.5.2 实验验证与分析 | 第47页 |
| 2.6 本章小结 | 第47-48页 |
| 第3章 DBN预测模型及其在滚动轴承RUL预测中的应用 | 第48-70页 |
| 3.1 引言 | 第48页 |
| 3.2 深度学习神经网络模型 | 第48-51页 |
| 3.2.1 深度学习基本思想 | 第48-49页 |
| 3.2.2 典型深度学习模型 | 第49-51页 |
| 3.3 DBN算法 | 第51-58页 |
| 3.3.1 无监督前向堆叠RBM学习 | 第52-53页 |
| 3.3.2 有监督后向微调学习 | 第53页 |
| 3.3.3 DBN关键参数及其确定方法 | 第53-58页 |
| 3.4 DBN预测模型及其在滚动轴承RUL预测中的应用 | 第58-69页 |
| 3.4.1 实验数据 | 第58-60页 |
| 3.4.2 实验验证 | 第60-68页 |
| 3.4.3 对比分析 | 第68-69页 |
| 3.5 本章小结 | 第69-70页 |
| 第4章 GPDLDBN预测模型及其在滚动轴承RUL预测中的应用 | 第70-84页 |
| 4.1 引言 | 第70页 |
| 4.2 GPDLDBN预测模型 | 第70-73页 |
| 4.2.1 全参数动态学习策略 | 第70-72页 |
| 4.2.2 GPDLDBN预测模型 | 第72-73页 |
| 4.3 GPDLDBN预测模型及其在滚动轴承RUL预测中的应用 | 第73-83页 |
| 4.3.1 实验数据 | 第73-74页 |
| 4.3.2 实验验证 | 第74-81页 |
| 4.3.3 对比分析 | 第81-83页 |
| 4.4 本章小结 | 第83-84页 |
| 第5章 FA-GPDLDBN预测模型及其在滚动轴承RUL预测中的应用 | 第84-102页 |
| 5.1 引言 | 第84页 |
| 5.2 DBN预测模型的结构确定研究 | 第84-96页 |
| 5.2.1 DBN隐含层节点数与层数确定方法 | 第84-86页 |
| 5.2.2 DBN隐含层节点数的经验优化方法及其验证分析 | 第86-96页 |
| 5.3 FA-GPDLDBN预测模型及其在滚动轴承RUL预测中的应用 | 第96-101页 |
| 5.3.1 FA算法 | 第96-98页 |
| 5.3.2 利用FA算法优化GPDLDBN预测模型结构 | 第98-99页 |
| 5.3.3 FA-GPDLDBN预测模型及其在滚动轴承RUL预测中的应用 | 第99-101页 |
| 5.4 本章小结 | 第101-102页 |
| 结论与展望 | 第102-104页 |
| 1 研究结论 | 第102-103页 |
| 2 研究展望 | 第103-104页 |
| 参考文献 | 第104-108页 |
| 致谢 | 第108-109页 |
| 附录A 攻读学位期间发表和录用的论文目录 | 第109-110页 |
| 附录B 攻读学位期间参与的科研项目 | 第110页 |
