基于多策略协同进化的粒子滤波算法在轴承寿命预测中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 基于物理模型的滚动轴承寿命预测方法 | 第14-15页 |
| 1.2.2 基于数据驱动的滚动轴承寿命预测方法 | 第15-17页 |
| 1.2.3 基于混合预测方法的滚动轴承寿命预测 | 第17页 |
| 1.3 研究思路和内容安排 | 第17-20页 |
| 1.3.1 论文的研究思路 | 第17-19页 |
| 1.3.2 论文的章节安排 | 第19-20页 |
| 第2章 滚动轴承的信号盲源分离方法 | 第20-29页 |
| 2.1 引言 | 第20页 |
| 2.2 盲源分离理论 | 第20-24页 |
| 2.2.1 盲源分离的信号模型 | 第20-22页 |
| 2.2.2 盲源分离的两个不确定性 | 第22-23页 |
| 2.2.3 盲源分离预处理方法 | 第23-24页 |
| 2.3 基于ASTFA算法的盲源分离方法 | 第24-28页 |
| 2.3.1 ASTFA-BSS方法 | 第25-26页 |
| 2.3.2 ASTFA-BSS方法的应用 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于统计聚类的特征指标选择与融合 | 第29-42页 |
| 3.1 引言 | 第29页 |
| 3.2 统计聚类方法 | 第29-32页 |
| 3.2.1 相似性传播聚类算法 | 第29-31页 |
| 3.2.2 谱聚类相似性传播聚类算法 | 第31-32页 |
| 3.3 振动信号特征参数的定义和选取 | 第32-34页 |
| 3.4 基于混合聚类的振动信号特征提取方法 | 第34-37页 |
| 3.4.1 特征与时间的相关度的趋势性能评估 | 第34-35页 |
| 3.4.2 基于AP聚类进行特征选择 | 第35-36页 |
| 3.4.3 基于AASC的加权融合特征指标 | 第36-37页 |
| 3.5 实验验证 | 第37-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 基于粒子滤波算法的轴承寿命预测 | 第42-55页 |
| 4.1 引言 | 第42页 |
| 4.2 非线性滤波问题的最优贝叶斯估计 | 第42-44页 |
| 4.3 蒙特卡罗基本原理 | 第44-45页 |
| 4.4 粒子滤波基本原理 | 第45-50页 |
| 4.4.1 序贯重要性采样 | 第46-47页 |
| 4.4.2 粒子退化和重采样 | 第47-50页 |
| 4.5 基于PF的轴承寿命预测 | 第50-54页 |
| 4.5.1 算法流程介绍 | 第50-51页 |
| 4.5.2 实验验证 | 第51-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第5章 基于改进粒子滤波算法的轴承寿命预测 | 第55-68页 |
| 5.1 引言 | 第55页 |
| 5.2 减少退化的关键技术 | 第55-57页 |
| 5.3 重采样算法介绍 | 第57-59页 |
| 5.4 多策略协同进化的粒子滤波算法 | 第59-64页 |
| 5.4.1 适应度函数的定义及选取 | 第59-61页 |
| 5.4.2 多策略差分协同进化算法 | 第61-62页 |
| 5.4.3 多策略协同进化的粒子滤波算法流程 | 第62-64页 |
| 5.5 基于改进PF的轴承寿命预测 | 第64-66页 |
| 5.6 本章小结 | 第66-68页 |
| 结论与展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73页 |
