| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-21页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 微小故障诊断研究现状 | 第9-13页 |
| 1.2.1 定性诊断方法研究现状 | 第10-11页 |
| 1.2.2 基于模型的诊断方法研究现状 | 第11页 |
| 1.2.3 数据驱动的诊断方法研究现状 | 第11-13页 |
| 1.3 剩余寿命预测的研究现状 | 第13-17页 |
| 1.3.1 基于知识的RUL预测方法研究现状 | 第14-15页 |
| 1.3.2 基于机理模型的RUL预测方法研究现状 | 第15页 |
| 1.3.3 数据驱动的RUL预测方法研究现状 | 第15-17页 |
| 1.4 论文研究内容与结构安排 | 第17-21页 |
| 2 基础知识 | 第21-27页 |
| 2.1 引言 | 第21页 |
| 2.2 主元分析 | 第21-23页 |
| 2.3 指定元分析 | 第23-24页 |
| 2.4 小波滤波技术 | 第24页 |
| 2.5 BP神经网络 | 第24-25页 |
| 2.6 本章小结 | 第25-27页 |
| 3 基于多变量统计特征非线性拟合的RUL预测方法 | 第27-47页 |
| 3.1 引言 | 第27-28页 |
| 3.2 基于多变量统计特征的系统级实时RUL预测方法 | 第28-32页 |
| 3.2.1 缓变微小故障早期检测 | 第28-29页 |
| 3.2.2 基于故障特征非线性拟合的系统级实时RUL预测 | 第29-32页 |
| 3.3 基于多变量统计特征的部件级实时RUL预测方法 | 第32-36页 |
| 3.3.1 缓变微小多故障早期诊断 | 第33页 |
| 3.3.2 基于故障特征非线性拟合的部件级实时RUL预测 | 第33-36页 |
| 3.4 仿真分析 | 第36-44页 |
| 3.4.1 仿真数据的生成 | 第36-37页 |
| 3.4.2 基于多变量统计特征的系统级实时RUL预测算法仿真 | 第37-41页 |
| 3.4.3 基于多变量统计特征的部件级实时RUL预测算法仿真 | 第41-44页 |
| 3.5 本章小结 | 第44-47页 |
| 4 基于深度故障特征的RUL预测方法 | 第47-65页 |
| 4.1 引言 | 第47-48页 |
| 4.2 深度学习理论 | 第48-50页 |
| 4.2.1 自编码器模型 | 第48-49页 |
| 4.2.2 Softmax回归模型 | 第49-50页 |
| 4.3 基于深度特征抽取的缓变微小故障早期诊断算法 | 第50-52页 |
| 4.4 基于深度特征抽取结果的RUL预测算法 | 第52-57页 |
| 4.4.1 基于一维故障特征变量的RUL预测算法 | 第52-55页 |
| 4.4.2 基于多维故障特征向量的RUL预测算法 | 第55-57页 |
| 4.5 仿真分析 | 第57-62页 |
| 4.5.1 仿真数据的生成 | 第57-58页 |
| 4.5.2 基于深度特征抽取的缓变微小故障早期诊断 | 第58-61页 |
| 4.5.3 基于深度特征抽取结果的RUL预测算法仿真 | 第61-62页 |
| 4.6 TE案例分析 | 第62-63页 |
| 4.7 本章小结 | 第63-65页 |
| 5 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65-66页 |
| 5.2 展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 攻读硕士学位期间的科研成果 | 第73-74页 |
