基于全信息支持向量回归的轴承寿命预测研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-23页 |
| 1.1 课题来源 | 第11页 |
| 1.2 研究背景及意义 | 第11-13页 |
| 1.3 轴承故障诊断方法的发展及其寿命理论 | 第13-20页 |
| 1.3.1 轴承故障诊断方法的发展 | 第13-16页 |
| 1.3.2 轴承寿命理论 | 第16-20页 |
| 1.4 本文的主要研究内容和结构安排 | 第20-23页 |
| 1.4.1 本文的主要研究内容 | 第20-21页 |
| 1.4.2 本文的结构安排 | 第21-23页 |
| 2 信息融合技术及其基本理论 | 第23-31页 |
| 2.1 引言 | 第23页 |
| 2.2 常见的信息融合技术 | 第23-25页 |
| 2.2.1 全息谱 | 第23-24页 |
| 2.2.2 全频谱 | 第24页 |
| 2.2.3 全矢谱 | 第24-25页 |
| 2.3 全矢谱理论 | 第25-28页 |
| 2.4 本文中全矢谱解决的具体问题 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 轴承运行状态集的建立及其健康度评定 | 第31-48页 |
| 3.1 引言 | 第31页 |
| 3.2 轴承的EEMD多尺度能量熵指标表示 | 第31-36页 |
| 3.3 轴承状态集的建立与多元状态评估 | 第36-43页 |
| 3.3.1 多元状态评估原理 | 第37-38页 |
| 3.3.2 轴承状态集的建立 | 第38-39页 |
| 3.3.3 多元状态评估的改进 | 第39-43页 |
| 3.4 轴承的健康度评估 | 第43-47页 |
| 3.5 本章小结 | 第47-48页 |
| 4 轴承退化初期的故障识别 | 第48-57页 |
| 4.1 引言 | 第48-49页 |
| 4.2 相关技术原理 | 第49-53页 |
| 4.2.1 AE特征提取原理 | 第49-50页 |
| 4.2.2 DAE及其稀疏化 | 第50-51页 |
| 4.2.3 多核结构的DNN | 第51-53页 |
| 4.3 效果对比实验 | 第53-56页 |
| 4.3.1 特征提取对比 | 第54-55页 |
| 4.3.2 诊断效果对比 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 基于轴承健康度的寿命预测 | 第57-68页 |
| 5.1 引言 | 第57页 |
| 5.2 支持向量预测原理 | 第57-63页 |
| 5.2.1 支持向量机原理 | 第57-60页 |
| 5.2.2 支持向量回归算法 | 第60-63页 |
| 5.3 轴承的寿命预测 | 第63-66页 |
| 5.3.1 预测模型的输入参数选择 | 第63-65页 |
| 5.3.2 轴承健康度预测 | 第65-66页 |
| 5.4 本章小结 | 第66-68页 |
| 6 结论与展望 | 第68-70页 |
| 6.1 研究结论 | 第68-69页 |
| 6.2 研究展望 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75-76页 |
| 个人简历 在校期间的研究成果 | 第76页 |
