基于改进HSMM的滚动轴承健康状态评估研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题来源 | 第10页 |
| 1.2 研究背景、目的和意义 | 第10-12页 |
| 1.3 相关领域国内外研究现状 | 第12-17页 |
| 1.3.1 退化特征提取与融合约简研究现状 | 第12-15页 |
| 1.3.2 健康状态评估研究现状 | 第15-16页 |
| 1.3.3 隐半马尔科夫模型研究现状 | 第16-17页 |
| 1.4 论文主要内容及结构安排 | 第17-20页 |
| 1.4.1 本文主要研究内容 | 第17-18页 |
| 1.4.2 本文组织结构 | 第18-20页 |
| 第2章 滚动轴承振动机理分析与多域特征空间构建 | 第20-33页 |
| 2.1 滚动轴承基本结构 | 第20页 |
| 2.2 滚动轴承常见故障形式和振动机理分析 | 第20-22页 |
| 2.3 滚动轴承故障演化规律分析 | 第22-24页 |
| 2.4 滚动轴承多域特征空间构建 | 第24-32页 |
| 2.4.1 时域特征提取 | 第24-26页 |
| 2.4.2 频域特征提取 | 第26-27页 |
| 2.4.3 时频域特征提取 | 第27-28页 |
| 2.4.4 多域特征提取方法的实验分析 | 第28-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于自适应流行学习算法的退化特征融合 | 第33-52页 |
| 3.1 基于多评价指标的退化特征选择 | 第33-38页 |
| 3.1.1 退化特征性能评价指标 | 第34-35页 |
| 3.1.2 基于DSmT的多评价指标融合特征选择 | 第35-38页 |
| 3.2 基于LGPCA流行学习算法的退化特征融合 | 第38-41页 |
| 3.2.1 基于LPP的局部目标函数 | 第38-39页 |
| 3.2.2 基于PCA的全局目标函数 | 第39-40页 |
| 3.2.3 LGPCA整体目标函数 | 第40-41页 |
| 3.3 LGPCA自适应邻域选择方法 | 第41-45页 |
| 3.3.1 初始近邻参数计算 | 第42-43页 |
| 3.3.2 自适应近邻参数调整 | 第43-45页 |
| 3.4 实例分析 | 第45-51页 |
| 3.4.1 退化特征选择 | 第45-48页 |
| 3.4.2 退化特征融合 | 第48-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第4章 基于MDD-HSMM的滚动轴承退化预测 | 第52-73页 |
| 4.1 HSMM基本描述 | 第52-57页 |
| 4.1.1 HSMM基本结构描述 | 第52-53页 |
| 4.1.2 HSMM基本算法描述 | 第53-57页 |
| 4.2 时变HSMM修正方法 | 第57-61页 |
| 4.3 高阶粒子滤波方法 | 第61-63页 |
| 4.4 基于MDD-HSMM的退化预测方法 | 第63-65页 |
| 4.5 实例分析 | 第65-72页 |
| 4.5.1 MDD-HSMM训练 | 第65-69页 |
| 4.5.2 滚动轴承退化预测 | 第69-72页 |
| 4.6 本章小结 | 第72-73页 |
| 第5章 滚动轴承健康状态评估系统设计及实现 | 第73-80页 |
| 5.1 需求分析 | 第73-74页 |
| 5.2 总体设计 | 第74-75页 |
| 5.3 系统实现及验证 | 第75-79页 |
| 5.4 本章小结 | 第79-80页 |
| 第6章 总结与展望 | 第80-82页 |
| 6.1 全文工作总结 | 第80-81页 |
| 6.2 未来工作展望 | 第81-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-88页 |
| 攻读硕士学位期间的研究成果 | 第88页 |
