| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 设备维修方式发展 | 第15页 |
| 1.2.2 故障预测技术 | 第15-19页 |
| 1.3 研究目标及内容 | 第19-20页 |
| 1.3.1 研究目标 | 第19页 |
| 1.3.2 研究内容 | 第19-20页 |
| 1.4 技术路线 | 第20-23页 |
| 1.4.1 技术路线描述 | 第20-21页 |
| 1.4.2 技术路线 | 第21-23页 |
| 1.4.3 论文结构安排 | 第23页 |
| 1.5 本章小结 | 第23-25页 |
| 第二章 自动检票机功能与工作原理 | 第25-35页 |
| 2.1 概述 | 第25页 |
| 2.2 自动检票机分类 | 第25-26页 |
| 2.3 自动检票机运行模式 | 第26-27页 |
| 2.4 自动检票机功能 | 第27-28页 |
| 2.5 自动检票机设备组成与工作原理 | 第28-34页 |
| 2.5.1 自动检票机组成 | 第28-30页 |
| 2.5.2 自动检票机的模块分类 | 第30-31页 |
| 2.5.3 自动检票机工作原理 | 第31-33页 |
| 2.5.4 自动检票机整机性能 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 自动检票机设备故障分析 | 第35-51页 |
| 3.1 概述 | 第35页 |
| 3.2 自动检票机设备故障的描述 | 第35-42页 |
| 3.2.1 自动检票机故障的定性描述 | 第35-38页 |
| 3.2.2 设备性能的变化规律 | 第38页 |
| 3.2.3 自动检票机故障的定量描述 | 第38-42页 |
| 3.3 自动检票机故障机理分析研究 | 第42-47页 |
| 3.3.1 故障分类 | 第42-43页 |
| 3.3.2 设备故障影响因素分析 | 第43-46页 |
| 3.3.3 故障机理分析 | 第46-47页 |
| 3.4 自动检票机故障预测的状态检测需求 | 第47-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第四章 自动检票机设备故障预测模型的建立 | 第51-65页 |
| 4.1 概述 | 第51页 |
| 4.2 神经网络 | 第51-54页 |
| 4.2.1 神经元模型 | 第51-52页 |
| 4.2.2 激活函数 | 第52-53页 |
| 4.2.3 神经网络的拓扑结构 | 第53-54页 |
| 4.3 循环神经网络 | 第54-59页 |
| 4.3.1 传统循环神经网络 | 第54-55页 |
| 4.3.2 长短时记忆循环神经网络 | 第55-57页 |
| 4.3.3 循环网络的训练算法 | 第57-59页 |
| 4.4 基于BP-LSTM的故障预测模型构建 | 第59-60页 |
| 4.5 基于VPSO-LSTM的故障预测模型构建 | 第60-63页 |
| 4.5.1 PSO算法原理 | 第60-61页 |
| 4.5.2 粒子群优化算法的改进 | 第61-63页 |
| 4.5.3 基于VPSO-LSTM的故障预测模型建立 | 第63页 |
| 4.6 预测性能评估指标 | 第63-64页 |
| 4.7 本章小结 | 第64-65页 |
| 第五章 故障预测模型实例分析与评估 | 第65-77页 |
| 5.1 概述 | 第65页 |
| 5.2 数据的采集与处理 | 第65-67页 |
| 5.2.1 数据的描述 | 第65-66页 |
| 5.2.2 数据处理 | 第66-67页 |
| 5.3 算例分析 | 第67-76页 |
| 5.3.1 BP神经网络的故障预测 | 第68-70页 |
| 5.3.2 BP-LSTM神经网络的故障预测 | 第70-73页 |
| 5.3.3 VPSO-LSTM神经网络的故障预测 | 第73-76页 |
| 5.4 数据对比分析 | 第76页 |
| 5.5 本章小结 | 第76-77页 |
| 第六章 结论与展望 | 第77-79页 |
| 6.1 研究成果总结 | 第77-78页 |
| 6.2 研究展望 | 第78-79页 |
| 致谢 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 硕士期间科研经历与论文发表情况 | 第85页 |