| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-18页 |
| 1.1 课题来源、目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 信息融合技术研究现状 | 第11-13页 |
| 1.2.2 大数据研究现状 | 第13页 |
| 1.2.3 设备故障预测方法研究现状 | 第13-16页 |
| 1.3 本文的主要工作和结构安排 | 第16-18页 |
| 2 Hilbert-全矢谱 | 第18-33页 |
| 2.1 引言 | 第18-19页 |
| 2.2 全矢谱技术 | 第19-26页 |
| 2.2.1 全矢谱基础理论 | 第19-24页 |
| 2.2.2 全矢谱快速算法 | 第24-25页 |
| 2.2.3 全矢谱的兼容性 | 第25-26页 |
| 2.3 Hibert-全矢谱特征提取 | 第26-27页 |
| 2.4 Hibert-全矢谱在滚动轴承退化过程中应用分析 | 第27-32页 |
| 2.4.1 数据来源 | 第27-28页 |
| 2.4.2 数据分析与轴承特征频率讨论 | 第28-30页 |
| 2.4.3 滚动轴承退化过程研究 | 第30-32页 |
| 2.5 小结 | 第32-33页 |
| 3 设备监测大数据与时序数据处理 | 第33-43页 |
| 3.1 设备监测大数据的概念 | 第33-34页 |
| 3.2 时间序列数据分析 | 第34-38页 |
| 3.2.1 数据预处理 | 第34-35页 |
| 3.2.2 时间序列聚类 | 第35-38页 |
| 3.3 实验分析 | 第38-41页 |
| 3.4 本章小结 | 第41-43页 |
| 4 全矢预测模型研究 | 第43-62页 |
| 4.1 ARIMA预测方法 | 第43-49页 |
| 4.1.1 ARIMA模型 | 第43-44页 |
| 4.1.2 非平稳数据处理 | 第44-46页 |
| 4.1.3 确定模型阶数 | 第46-47页 |
| 4.1.4 模型参数估计 | 第47-48页 |
| 4.1.5 评价指标 | 第48页 |
| 4.1.6 构建ARIMA（p,d,q）预测模型 | 第48-49页 |
| 4.2 支持向量回归（SVR）预测方法 | 第49-53页 |
| 4.2.1 支持向量机 | 第49-50页 |
| 4.2.2 支持向量回归 | 第50-51页 |
| 4.2.3 机器学习的基本问题 | 第51-53页 |
| 4.3 构建全矢预测模型 | 第53-54页 |
| 4.4 实验分析 | 第54-61页 |
| 4.4.1 全矢-ARIMA预测方法 | 第54-58页 |
| 4.4.2 全矢-支持向量回归预测方法 | 第58-61页 |
| 4.5 本章小结 | 第61-62页 |
| 5 构建基于大数据的全矢预测模型 | 第62-69页 |
| 5.1 引言 | 第62-64页 |
| 5.2 基于大数据的全矢预测模型 | 第64-65页 |
| 5.2.1 改进的全矢-SVR预测模型 | 第64页 |
| 5.2.2 基于大数据的全矢-SVR预测模型 | 第64-65页 |
| 5.3 实例分析 | 第65-68页 |
| 5.4 本章小结 | 第68-69页 |
| 6 结论和展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 创新点 | 第70页 |
| 6.3 展望 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74-75页 |
| 个人简历、在学期间发表的学术论文及参与的科研项目 | 第75页 |