| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 基于信号分析的电机传动系统健康状态评估 | 第14-15页 |
| 1.2.2 基于电机传动系统建模的健康状态评估 | 第15-17页 |
| 1.2.3 问题的提出 | 第17页 |
| 1.3 本文主要的研究内容 | 第17-18页 |
| 1.4 论文的组织结构 | 第18-19页 |
| 2 理论基础与相关技术研究 | 第19-31页 |
| 2.1 PHM基本概念 | 第19-23页 |
| 2.1.1 PHM技术基本框架 | 第19页 |
| 2.1.2 PHM模型分类 | 第19-20页 |
| 2.1.3 PHM关键算法研究 | 第20-23页 |
| 2.2 高速列车自动化装配线 | 第23-26页 |
| 2.2.1 自动化装配线基本组成 | 第23页 |
| 2.2.2 电机传动系统 | 第23-24页 |
| 2.2.3 电机传动系统数据集 | 第24-26页 |
| 2.3 聚类理论 | 第26-30页 |
| 2.3.1 K-Means算法 | 第27-28页 |
| 2.3.2 FCM算法 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 基于遗传算法的动态FCM聚类 | 第31-47页 |
| 3.1 遗传算法基本原理 | 第31-37页 |
| 3.1.1 编码 | 第31-33页 |
| 3.1.2 选择 | 第33-34页 |
| 3.1.3 交叉 | 第34-35页 |
| 3.1.4 变异 | 第35-36页 |
| 3.1.5 适应度函数 | 第36-37页 |
| 3.1.6 停止准则 | 第37页 |
| 3.2 遗传算法优化FCM算法 | 第37-41页 |
| 3.2.1 遗传算法优化FCM的原理介绍 | 第37-38页 |
| 3.2.2 GA-FCM算法 | 第38-41页 |
| 3.3 GA-FCM算法验证 | 第41-46页 |
| 3.3.1 实验评价指标 | 第41-42页 |
| 3.3.2 算法验证与分析 | 第42-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 基于WG-FCM的健康状态评估模型 | 第47-62页 |
| 4.1 GA-FCM算法优化 | 第47-52页 |
| 4.1.1 噪声点影响聚类划分 | 第47-48页 |
| 4.1.2 加权策略 | 第48-50页 |
| 4.1.3 WG-FCM算法 | 第50-52页 |
| 4.2 WG-FCM算法聚类划分结果 | 第52-58页 |
| 4.2.0 电机传动系统特征数据 | 第52-53页 |
| 4.2.1 基于轮询法确定最佳聚类个数 | 第53-55页 |
| 4.2.2 基于WG-FCM的聚类划分结果对比 | 第55-58页 |
| 4.3 电机传动系统健康状态评估模型 | 第58-61页 |
| 4.3.1 健康状态评估框架 | 第58-59页 |
| 4.3.2 基于隶属概率的结果展示 | 第59-61页 |
| 4.4 本章小节 | 第61-62页 |
| 5 电机传动系统健康状态评估的实现 | 第62-71页 |
| 5.1 系统运行环境 | 第62-63页 |
| 5.2 系统架构 | 第63-69页 |
| 5.2.1 数据存储模块 | 第64-65页 |
| 5.2.2 数据处理模块 | 第65-66页 |
| 5.2.3 聚类分析模块 | 第66-68页 |
| 5.2.4 评估展示模块 | 第68-69页 |
| 5.3 系统展示 | 第69-70页 |
| 5.4 本章小节 | 第70-71页 |
| 6 结论 | 第71-73页 |
| 6.1 全文总结 | 第71-72页 |
| 6.2 工作展望 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第76-78页 |
| 学位论文数据集 | 第78页 |