| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 课题研究背景和意义 | 第13-14页 |
| 1.2 故障预测方法的国内外研究历史和现状 | 第14-17页 |
| 1.2.1 故障预测方法概述 | 第14-15页 |
| 1.2.2 国内外研究历史概述 | 第15-16页 |
| 1.2.3 国内外研究现状概述 | 第16-17页 |
| 1.3 神经网络方法概述 | 第17-19页 |
| 1.4 课题来源及主要研究内容 | 第19-21页 |
| 第二章 灰色神经网络方法在故障预测中的应用研究 | 第21-49页 |
| 2.1 灰色神经网络简介 | 第21-25页 |
| 2.2 时域特征参数应用 | 第25-33页 |
| 2.2.1 时域特征参数计算 | 第27-32页 |
| 2.2.2 时域特征参数选取方法 | 第32-33页 |
| 2.3 故障预测实例 | 第33-47页 |
| 2.3.1 轴承故障实验简介 | 第33-34页 |
| 2.3.2 BP神经网络预测 | 第34-37页 |
| 2.3.3 灰色神经网络预测 | 第37-41页 |
| 2.3.4 齿轮故障对比研究 | 第41-47页 |
| 2.4 本章小结 | 第47-49页 |
| 第三章 Elman神经网络在故障预测中的应用研究 | 第49-57页 |
| 3.1 Elman神经网络概述 | 第49-50页 |
| 3.2 Elman神经网络学习过程及算法 | 第50页 |
| 3.3 故障预测实例 | 第50-56页 |
| 3.3.1 轴承故障预测实例 | 第50-54页 |
| 3.3.2 齿轮故障预测实例 | 第54-55页 |
| 3.3.3 隐含层神经元个数对预测结果的影响 | 第55-56页 |
| 3.4 本章小结 | 第56-57页 |
| 第四章 形态分形维数和极限学习机在故障预测中的应用研究 | 第57-79页 |
| 4.1 极限学习机介绍 | 第57-59页 |
| 4.1.1 极限学习机概述 | 第57页 |
| 4.1.2 极限学习机学习算法 | 第57-59页 |
| 4.2 极限学习机在故障预测中的应用 | 第59-68页 |
| 4.2.1 轴承故障预测的应用 | 第59-65页 |
| 4.2.2 齿轮故障预测的应用 | 第65-66页 |
| 4.2.3 极限学习机神经元个数对预测结果的影响 | 第66-67页 |
| 4.2.4 小结 | 第67-68页 |
| 4.3 分形维数概述 | 第68-69页 |
| 4.4 数学形态学的分型维数计算 | 第69页 |
| 4.5 形态分形维数和极限学习机在故障预测中的应用 | 第69-77页 |
| 4.5.1 形态分形维数特征量计算 | 第71-73页 |
| 4.5.2 极限学习机预测 | 第73-74页 |
| 4.5.3 形态分形维数方法对预测结果的影响 | 第74-77页 |
| 4.6 本章小结 | 第77-79页 |
| 第五章 结论与展望 | 第79-81页 |
| 5.1 全文工作总结 | 第79-80页 |
| 5.2 研究展望 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 致谢 | 第87-89页 |
| 研究成果及发表的学术论文 | 第89-91页 |
| 作者和导师简介 | 第91-92页 |
| 附件 | 第92-93页 |