| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 课题研究背景和意义 | 第9-12页 |
| 1.1.1 研究背景 | 第9-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 国外研究现状 | 第12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文主要研究内容及组织结构 | 第13-16页 |
| 1.3.1 本文主要研究内容 | 第13-14页 |
| 1.3.2 本文主要组织架构 | 第14-16页 |
| 2 CRH2型动车组牵引系统构成及工作机理 | 第16-27页 |
| 2.1 CRH2型动车组牵引系统简介 | 第16-22页 |
| 2.1.1 牵引系统的主体构成 | 第16页 |
| 2.1.2 牵引系统的工作原理及特性分析 | 第16-20页 |
| 2.1.3 牵引系统的结构特点及特性参数提取 | 第20-22页 |
| 2.2 牵引系统故障演化模式分析 | 第22-26页 |
| 2.2.1 故障概况 | 第22-23页 |
| 2.2.2 牵引系统关键部件性能退化模式分析 | 第23-26页 |
| 2.3 本章小结 | 第26-27页 |
| 3 基于状态识别的HSMM建模理论及其算法研究 | 第27-39页 |
| 3.1 HSMM模型构建基本理论 | 第27-31页 |
| 3.1.1 HSMM的基本概念 | 第27-29页 |
| 3.1.2 HSMM模型的基本参数 | 第29-31页 |
| 3.1.3 HSMM模型实际应用主要解决的三类问题 | 第31页 |
| 3.2 HSMM算法介绍 | 第31-36页 |
| 3.2.1 评估算法—Forward-backward算法 | 第31-33页 |
| 3.2.2 解码算法-Viterbi算法 | 第33-34页 |
| 3.2.3 基于Baum-Welch算法的HSMM模型训练及参数重估 | 第34-36页 |
| 3.3 基于CRH2型动车组牵引系统故障演化机理的HSMM建模 | 第36-38页 |
| 3.3.1 沪宁高铁CRH2型动车组牵引系统故障演化机理分析 | 第36-37页 |
| 3.3.2 CRH2型动车组牵引系统HSMM模型构建思路及方法 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 PSO算法研究及基于PSO算法的HSMM参数优化 | 第39-47页 |
| 4.1 PSO算法理论概述 | 第39-40页 |
| 4.2 标准PSO算法原理 | 第40-41页 |
| 4.2.1 标准PSO算法数学描述 | 第40页 |
| 4.2.2 标准PSO算法流程 | 第40-41页 |
| 4.3 PSO算法的改进 | 第41-43页 |
| 4.3.1 设置基于概率的粒子分裂能力 | 第42页 |
| 4.3.2 设置基于概率的粒子变异能力 | 第42-43页 |
| 4.4 基于改进的PSO算法的HSMM模型训练 | 第43-46页 |
| 4.4.1 基于PSO算法的HSMM参数估计理论概述 | 第43-44页 |
| 4.4.2 HSMM参数估计优化 | 第44-46页 |
| 4.4.3 基于TPSO算法的HSMM模型参数优化步骤 | 第46页 |
| 4.5 本章小结 | 第46-47页 |
| 5 基于HSMM模型的动车组牵引系统故障预测及PHM应用实例验证 | 第47-62页 |
| 5.1 现场采集数据前期预处理 | 第48-52页 |
| 5.1.1 数据去噪 | 第49-50页 |
| 5.1.2 现场采集数据的数学预处理 | 第50-52页 |
| 5.2 基于退化状态的牵引系统HSMM模型故障预测 | 第52-59页 |
| 5.2.1 故障预测过程概述 | 第52页 |
| 5.2.2 沪宁专线CRH2型动车组牵引系统故障预测及剩余寿命估计 | 第52-59页 |
| 5.3 CRH2型动车组全生命周期预测模型训练及PHM技术应用 | 第59-61页 |
| 5.3.1 CRH2型动车组牵引系统全生命周期HSMM预测模型训练 | 第59页 |
| 5.3.2 CRH2型动车组牵引系统PHM技术应用 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 本文研究成果总结 | 第62-63页 |
| 6.2 课题研究延伸与展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读学位期间的研究成果 | 第68页 |
