| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 1 绪论 | 第13-22页 |
| 1.1 选题意义与背景 | 第13-15页 |
| 1.2 故障预测方法国内外研究现状 | 第15-19页 |
| 1.2.1 故障预测方法分析 | 第16-19页 |
| 1.2.2 故障预测技术研究趋势 | 第19页 |
| 1.3 本文的主要研究工作 | 第19-20页 |
| 1.4 论文结构 | 第20-22页 |
| 2 基本理论 | 第22-31页 |
| 2.1 马尔可夫链概念 | 第22页 |
| 2.2 马尔可夫链定义 | 第22-23页 |
| 2.3 HMC基本理论 | 第23-24页 |
| 2.4 HMC基本算法 | 第24-27页 |
| 2.4.1 前向-后向算法 | 第24-25页 |
| 2.4.2 维特比算法 | 第25-26页 |
| 2.4.3 Baum-Welch算法 | 第26-27页 |
| 2.5 多维观测样本序列的HMC | 第27-28页 |
| 2.6 小波阈值去噪 | 第28-29页 |
| 2.7 小波包分析原理 | 第29-31页 |
| 3 基于SOM-HMC-MC的地铁车辆电动塞拉门故障预测 | 第31-47页 |
| 3.1 引言 | 第31页 |
| 3.2 电动塞拉门润滑不良劣化模型 | 第31-33页 |
| 3.3 基于小波包Shannon能量熵的特征提取方法 | 第33-34页 |
| 3.4 SOM神经网络的基本原理 | 第34-36页 |
| 3.4.1 SOM神经网络概述 | 第34-35页 |
| 3.4.2 SOM神经网络学习算法 | 第35-36页 |
| 3.5 蒙特卡洛方法 | 第36页 |
| 3.6 基于SOM-HMC-MC剩余使用寿命预测模型 | 第36-38页 |
| 3.7 电动塞拉门润滑不良故障实验数据采集 | 第38-41页 |
| 3.7.1 实验平台 | 第38页 |
| 3.7.2 数据采集 | 第38-41页 |
| 3.8 电动塞拉门润滑不良的剩余使用寿命预测分析 | 第41-46页 |
| 3.8.1 模型训练结果 | 第41-43页 |
| 3.8.2 预测结果 | 第43-46页 |
| 3.9 本章小结 | 第46-47页 |
| 4 SBPD算法在行程开关故障预测中的研究 | 第47-58页 |
| 4.1 引言 | 第47页 |
| 4.2 行程开关故障劣化过程 | 第47-48页 |
| 4.3 K均值聚类算法 | 第48-49页 |
| 4.4 基于状态驻留信息的故障预测模型 | 第49-52页 |
| 4.4.1 SBPD基本概念 | 第49-50页 |
| 4.4.2 劣化状态数优化及状态识别 | 第50-51页 |
| 4.4.3 状态驻留信息的剩余使用寿命预测模型 | 第51-52页 |
| 4.5 实验与结果分析 | 第52-57页 |
| 4.5.1 实验装置 | 第52-53页 |
| 4.5.2 数据采集系统 | 第53-54页 |
| 4.5.3 劣化状态数评估 | 第54-55页 |
| 4.5.4 剩余使用寿命预测结果分析 | 第55-57页 |
| 4.6 本章小结 | 第57-58页 |
| 5 总结和展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 作者简历 | 第64页 |
