| 摘要 | 第1-13页 |
| Abstract | 第13-15页 |
| 第一章 绪论 | 第15-32页 |
| ·研究背景及意义 | 第15-16页 |
| ·文献综述 | 第16-29页 |
| ·PHM技术研究综述 | 第16-19页 |
| ·机械传动系统关键零部件故障预测技术研究综述 | 第19-29页 |
| ·论文主要研究内容及组成 | 第29-32页 |
| ·论文研究主要问题 | 第30页 |
| ·论文研究内容和组织结构 | 第30-32页 |
| 第二章 机械传动关键零部件故障机理分析与建模 | 第32-50页 |
| ·引言 | 第32页 |
| ·机械传动关键零部件故障机理及故障演化规律分析 | 第32-41页 |
| ·齿轮的主要故障模式和振动机理 | 第32-35页 |
| ·滚动轴承的主要故障模式和振动机理 | 第35-36页 |
| ·动力传动关键部件故障演化规律分析 | 第36-41页 |
| ·机械传动关键零部件故障演化规律建模 | 第41-49页 |
| ·基于HMM机械传动关键零部件故障演化规律描述模型 | 第41-44页 |
| ·基于HSMM机械传动关键零部件故障预测建模分析方法 | 第44-49页 |
| ·本章小结 | 第49-50页 |
| 第三章 小波相关特征尺度熵特征信息提取技术研究 | 第50-65页 |
| ·引言 | 第50页 |
| ·小波相关滤波法的基本理论 | 第50-56页 |
| ·小波相关滤波法对信号进行降噪的基本原理 | 第50-54页 |
| ·小波相关滤波法算法实现 | 第54-56页 |
| ·噪声方差的估计 | 第56页 |
| ·小波相关特征尺度熵特征信息提取方法研究 | 第56-61页 |
| ·Shannon信息熵 | 第56-57页 |
| ·小波相关特征尺度熵定义及计算 | 第57-60页 |
| ·小波相关特征尺度熵特征信息提取步骤 | 第60-61页 |
| ·小波相关特征尺度熵在设备退化状态识别与故障预测中应用 | 第61-64页 |
| ·应用实例 | 第61-63页 |
| ·与小波特征尺度熵方法比较 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第四章 机械传动关键零部件HSMM退化状态识别与故障预测技术研究 | 第65-103页 |
| ·引言 | 第65页 |
| ·HSMM基本算法 | 第65-69页 |
| ·前向-后后算法 | 第65-67页 |
| ·参数估计 | 第67-69页 |
| ·基于HSMM退化状态识别与故障预测模块化训练算法 | 第69-77页 |
| ·基于K-means聚类算法的HSMM模型参数初始化 | 第69-70页 |
| ·数据溢出问题与改进措施 | 第70-72页 |
| ·多观测序列HSMM训练算法的改进 | 第72-75页 |
| ·HSMM状态识别与故障预测模块化训练算法 | 第75-77页 |
| ·机械传动关键零部件HSMM退化状态识别与故障预测方法 | 第77-90页 |
| ·HSMM退化状态识别与故障预测总体思路 | 第77-78页 |
| ·HSMM退化状态识别模型与方法研究 | 第78-86页 |
| ·HSMM故障预测应用方法研究 | 第86-90页 |
| ·KPCA-HSMM退化状态识别与故障预测方法研究 | 第90-101页 |
| ·基于KPCA多通道特征信息融合 | 第90-95页 |
| ·基于KPCA-HSMM状态识别与故障预测基本技术思路 | 第95-96页 |
| ·基于KPCA-HSMM退化状态识别方法研究 | 第96-99页 |
| ·基于KPCA-HSMM故障预测方法 | 第99-101页 |
| ·本章小结 | 第101-103页 |
| 第五章 试验研究 | 第103-116页 |
| ·引言 | 第103页 |
| ·试验方案设计 | 第103-106页 |
| ·试验平台设计 | 第103-105页 |
| ·试验过程 | 第105-106页 |
| ·试验结果 | 第106页 |
| ·试验分析 | 第106-114页 |
| ·基于小波相关特征尺度熵特征信息提取试验验证与分析 | 第106-108页 |
| ·基于HSMM状态识别与故障预测试验验证与分析 | 第108-111页 |
| ·基于KPCA-HSMM状态识别与故障预测试验验证与分析 | 第111-114页 |
| ·本章小结 | 第114-116页 |
| 第六章 结论与展望 | 第116-119页 |
| ·总结与结论 | 第116-117页 |
| ·研究展望 | 第117-119页 |
| 致谢 | 第119-121页 |
| 参考文献 | 第121-138页 |
| 作者在学期间取得的学术成果 | 第138页 |
