| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-16页 |
| ·论文选题背景和意义 | 第9-10页 |
| ·性能退化评价的研究现状 | 第10-12页 |
| ·状态预测技术的研究现状 | 第12-14页 |
| ·论文的主要内容与结构安排 | 第14-16页 |
| 2 特征提取方法与主成分分析 | 第16-23页 |
| ·信号特征提取方法 | 第16-21页 |
| ·时域分析 | 第16-17页 |
| ·频域分析 | 第17-19页 |
| ·Hilbert变换 | 第19-20页 |
| ·小波包分解 | 第20-21页 |
| ·主成分分析 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 3 自组织映射网络研究 | 第23-40页 |
| ·自组织映射网络 | 第23-29页 |
| ·自组织映射网络结构 | 第23-24页 |
| ·自组织映射网络相似度测量原理 | 第24-25页 |
| ·自组织映射网络权值调整 | 第25-26页 |
| ·自组织映射网络学习算法步骤 | 第26-29页 |
| ·基于自组织映射网络的滚动轴承状态识别 | 第29-39页 |
| ·基于SOM网络的滚动轴承状态识别模型 | 第29页 |
| ·滚动轴承试验验证 | 第29-39页 |
| ·本章小结 | 第39-40页 |
| 4 基于最小量化误差的滚动轴承性能退化评价 | 第40-51页 |
| ·基于自组织网络模型的最小量化误差 | 第40-42页 |
| ·最小量化误差 | 第40-41页 |
| ·滚动轴承信号特征参数的提取和降维 | 第41页 |
| ·基于最小量化误差的滚动轴承性能退化评估 | 第41-42页 |
| ·滚动轴承试验验证 | 第42-50页 |
| ·试验装置介绍 | 第42-43页 |
| ·试验数据分析 | 第43-50页 |
| ·本章小结 | 第50-51页 |
| 5 基于混合模型的滚动轴承性能退化趋势预测 | 第51-72页 |
| ·遗传算法优化BP神经网络 | 第51-56页 |
| ·BP神经网络 | 第51-53页 |
| ·遗传算法(Genetic Algorithm,GA) | 第53-54页 |
| ·遗传算法优化BP网络的预测模型 | 第54-56页 |
| ·支持向量机 | 第56-59页 |
| ·支持向量机原理 | 第56-57页 |
| ·支持向量机回归预测模型 | 第57-59页 |
| ·基于混合模型的滚动轴承性能退化趋势预测 | 第59-71页 |
| ·混合预测模型 | 第59-61页 |
| ·滚动轴承试验验证 | 第61-71页 |
| ·本章小结 | 第71-72页 |
| 6 结论 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间发表学术论文情况 | 第77-78页 |
| 致谢 | 第78-79页 |