| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-15页 |
| 1.2.1 性能退化评估与预测研究现状 | 第10-12页 |
| 1.2.2 自适应共振理论研究现状 | 第12-14页 |
| 1.2.3 研究现状分析 | 第14-15页 |
| 1.3 研究内容与研究方法 | 第15-17页 |
| 第2章 相关模型简介 | 第17-25页 |
| 2.1 ART神经网络模型 | 第17-20页 |
| 2.1.1 ART网络原理 | 第17-18页 |
| 2.1.2 FuzzyART网络结构及学习算法 | 第18-20页 |
| 2.2 径向基函数神经网络模型 | 第20-21页 |
| 2.3 自组织映射SOM网络模型 | 第21-23页 |
| 2.3.1 SOM网络的结构及原理 | 第21-23页 |
| 2.3.2 SOM网络学习算法 | 第23页 |
| 2.4 本章小结 | 第23-25页 |
| 第3章 预测模型的建立 | 第25-41页 |
| 3.1 预测模型的建立流程 | 第25页 |
| 3.2 软竞争ART-RBF神经网络结构设计 | 第25-29页 |
| 3.2.1 无监督学习 | 第26-27页 |
| 3.2.2 有监督学习 | 第27-28页 |
| 3.2.3 软竞争ART-RBF算法 | 第28-29页 |
| 3.3 案例仿真 | 第29-33页 |
| 3.3.1 Mackey-Glass混沌时间序列 | 第29-31页 |
| 3.3.2 三维墨西哥草帽函数 | 第31-33页 |
| 3.4 参数分析 | 第33-36页 |
| 3.4.1 警戒参数 | 第33-34页 |
| 3.4.2 软竞争率 | 第34-36页 |
| 3.5 集成预测模型 | 第36-39页 |
| 3.5.1 基于加权平均的集成预测方法 | 第37-38页 |
| 3.5.2 加权平均集成预测方法的验证 | 第38-39页 |
| 3.6 本章小结 | 第39-41页 |
| 第4章 预测指标的建立 | 第41-50页 |
| 4.1 预测指标的建立流程 | 第41-42页 |
| 4.2 置信度CV值的计算 | 第42-43页 |
| 4.3 基于置信度CV值的轴承性能退化评估 | 第43-49页 |
| 4.3.1 特征参数提取 | 第43-45页 |
| 4.3.2 常用单一特征参数分析 | 第45-48页 |
| 4.3.3 基于置信度CV值的性能退化评估 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 滚动轴承性能退化趋势预测 | 第50-69页 |
| 5.1 滚动轴承加速疲劳试验简介 | 第50-52页 |
| 5.2 常用时域特征参数提取及分析 | 第52-54页 |
| 5.3 特征参数的集成预测 | 第54-61页 |
| 5.3.1 基于软竞争ART-RBF模型的特征参数趋势预测 | 第55-57页 |
| 5.3.2 特征参数的集成预测 | 第57-61页 |
| 5.4 置信度CV值的预测 | 第61-63页 |
| 5.5 滚动轴承性能退化趋势预测界面设计 | 第63-68页 |
| 5.6 本章小结 | 第68-69页 |
| 第6章 结论 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 研究展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读学位期间获得与学位论文相关的科研成果 | 第76页 |