| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 机械设备退化状态建模研究现状 | 第10-14页 |
| 1.2.1 机械设备退化状态建模概述 | 第10-11页 |
| 1.2.2 机械设备退化状态建模国内外研究现状 | 第11-14页 |
| 1.2.3 机械设备退化状态建模存在的问题及分析 | 第14页 |
| 1.3 机械设备剩余寿命预测研究现状 | 第14-17页 |
| 1.3.1 机械设备剩余寿命预测概述 | 第15页 |
| 1.3.2 机械设备剩余寿命预测国内外研究现状 | 第15-16页 |
| 1.3.3 机械设备剩余寿命预测存在的问题及分析 | 第16-17页 |
| 1.4 本文研究内容与结构 | 第17-19页 |
| 第2章 基于一维监测数据的轴承退化状态建模 | 第19-43页 |
| 2.1 轴承退化状态建模方法概述 | 第19-20页 |
| 2.2 面向轴承退化状态建模的深度学习模型选择 | 第20-27页 |
| 2.2.1 深度学习方法简介 | 第21-22页 |
| 2.2.2 堆叠去噪自编码器原理 | 第22-24页 |
| 2.2.3 去噪自动编码机特征提取能力研究 | 第24-27页 |
| 2.3 基于SDAE和SOM的轴承退化状态建模方法 | 第27-32页 |
| 2.3.1 基于SDAE和SOM的轴承退化状态建模框架 | 第27-28页 |
| 2.3.2 轴承退化状态建模具体流程 | 第28-32页 |
| 2.4 实验验证及分析 | 第32-42页 |
| 2.4.1 PHM2012轴承退化数据介绍及预处理结果 | 第32-35页 |
| 2.4.2 轴承健康因子评价指标 | 第35页 |
| 2.4.3 实验设置及结果 | 第35-37页 |
| 2.4.4 与RMS、PCA、ELM_AE方法对比及分析 | 第37-42页 |
| 2.5 本章小结 | 第42-43页 |
| 第3章 基于多维监测数据的涡轮发动机退化状态建模 | 第43-56页 |
| 3.1 涡轮发动机退化状态建模方法概述 | 第43-44页 |
| 3.2 基于SDAE的涡轮发动机退化状态建模方法 | 第44-47页 |
| 3.2.1 深度学习模型选择 | 第45页 |
| 3.2.2 基于SDAE的涡轮发动机退化状态建模框架 | 第45-46页 |
| 3.2.3 涡轮发动机退化状态建模具体流程 | 第46-47页 |
| 3.3 实验验证及分析 | 第47-55页 |
| 3.3.1 CMAPSS发动机数据介绍及预处理结果 | 第47-50页 |
| 3.3.2 涡轮发动机健康因子评价指标 | 第50-51页 |
| 3.3.3 实验设置及结果 | 第51-52页 |
| 3.3.4 与PCA、ELM_AE方法对比及分析 | 第52-55页 |
| 3.4 本章小结 | 第55-56页 |
| 第4章 基于LSTM的机械设备剩余寿命预测方法 | 第56-72页 |
| 4.1 机械设备剩余寿命预测概述 | 第56-61页 |
| 4.1.1 机械设备剩余寿命预测流程简介 | 第56-57页 |
| 4.1.2 机械设备剩余寿命预测评价指标 | 第57-59页 |
| 4.1.3 基于深度学习的机械设备剩余寿命预测方法回顾 | 第59-60页 |
| 4.1.4 面向机械设备剩余寿命预测的深度学习模型选择 | 第60-61页 |
| 4.2 基于LSTM的轴承剩余寿命预测方法 | 第61-66页 |
| 4.2.1 轴承数据描述及处理 | 第61页 |
| 4.2.2 基于LSTM的轴承剩余寿命预测流程 | 第61-65页 |
| 4.2.3 实验验证及分析 | 第65-66页 |
| 4.3 基于LSTM的涡轮发动机剩余寿命预测方法 | 第66-71页 |
| 4.3.1 涡轮发动机数据描述及处理 | 第66-67页 |
| 4.3.2 基于LSTM的涡轮发动机剩余寿命预测流程 | 第67-68页 |
| 4.3.3 实验验证及分析 | 第68-71页 |
| 4.4 本章小结 | 第71-72页 |
| 结论 | 第72-73页 |
| 参考文献 | 第73-84页 |
| 攻读学位期间发表的学术论文 | 第84-86页 |
| 致谢 | 第86页 |
