| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 PHM技术和健康寿命预测技术概述和应用 | 第9-12页 |
| 1.2.1 PHM技术概述与应用 | 第9-11页 |
| 1.2.2 健康寿命预测技术概述及相关概念 | 第11-12页 |
| 1.3 健康寿命预测技术国内外研究现状 | 第12-16页 |
| 1.3.1 基于统计分析的寿命预测方法 | 第12-13页 |
| 1.3.2 基于物理方法的寿命预测方法 | 第13-14页 |
| 1.3.3 基于知识的寿命预测方法 | 第14页 |
| 1.3.4 基于数据驱动的寿命预测方法 | 第14-16页 |
| 1.4 论文主要内容和结构安排 | 第16-18页 |
| 第2章 滚动轴承健康寿命退化特征指标的选择 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 PRONSTIA实验台及数据集介绍 | 第18-21页 |
| 2.3 滚动轴承振动信号的三种特征信息量 | 第21-25页 |
| 2.3.1 时域特征参数 | 第21-24页 |
| 2.3.2 频域特征参数 | 第24-25页 |
| 2.3.3 时频域特征参数 | 第25页 |
| 2.4 退化特征的选择 | 第25-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于深度联想神经网络模型的剩余寿命预测方法研究 | 第30-56页 |
| 3.1 引言 | 第30-31页 |
| 3.2 深度神经网络（Deep Neural Network，DNN） | 第31-42页 |
| 3.2.1 深度学习以及神经网络 | 第31-33页 |
| 3.2.2 搭建深度神经网络模型 | 第33-35页 |
| 3.2.3 激活函数（Activation Function） | 第35-38页 |
| 3.2.4 DNN模型训练以及Dropout技术 | 第38-42页 |
| 3.3 深度联想神经网络模型（Associative Deep Neural Network，ASDNN） | 第42-51页 |
| 3.3.1 ASDNN模型介绍 | 第42-45页 |
| 3.3.2 ASDNN模型训练及相关参数设定 | 第45-51页 |
| 3.3.3 ASDNN模型预测性能评估 | 第51页 |
| 3.4 实验结果与分析 | 第51-55页 |
| 3.4.1 实验环境及对比方法简介 | 第51-52页 |
| 3.4.2 ASDNN模型预测结果 | 第52-53页 |
| 3.4.3 ASDNN与其余方法预测结果对比 | 第53-55页 |
| 3.5 本章小结 | 第55-56页 |
| 第4章 基于多变量ASCNN模型的剩余寿命预测方法研究 | 第56-76页 |
| 4.1 引言 | 第56页 |
| 4.2 卷积神经网络模型（Convolutional Neural Network，CNN） | 第56-60页 |
| 4.2.1 卷积层（Convolution Layer，CONL） | 第57-58页 |
| 4.2.2 池化层（Pooling Layer, PL） | 第58-59页 |
| 4.2.3 全连接层（Fully Connected Layer，FC） | 第59-60页 |
| 4.3 CNN核心思想以及训练过程 | 第60-64页 |
| 4.3.1 CNN三个核心思想 | 第60-61页 |
| 4.3.2 CNN网络训练过程 | 第61-62页 |
| 4.3.3 CNN网络中损失值的反向传播 | 第62-64页 |
| 4.4 实验过程与结果分析 | 第64-74页 |
| 4.4.1 搭建CNN网络 | 第64-67页 |
| 4.4.2 多变量健康寿命预测 | 第67-70页 |
| 4.4.3 深度联想卷积神经网络预测模型 | 第70-72页 |
| 4.4.4 预测结果对比 | 第72-74页 |
| 4.5 本章小结 | 第74-76页 |
| 第5章 总结与展望 | 第76-78页 |
| 5.1 论文总结 | 第76页 |
| 5.2 研究展望 | 第76-78页 |
| 致谢 | 第78-80页 |
| 参考文献 | 第80-86页 |
| 附录A：硕士期间的学术成果 | 第86-88页 |
| 附录B：硕士期间参与的科研项目 | 第88-89页 |
