多狀態(tài)系統(tǒng)故障識別與壽命預測

第1章 緒論
1．1 研究背景和意義
1．2 多狀態(tài)系統(tǒng)研究現(xiàn)狀
1．3 故障預測與健康管理研究現(xiàn)狀
1．4 本章小結(jié)
第2章 多狀態(tài)系統(tǒng)可靠性度量方法
2．1 引言
2．2 多狀態(tài)系統(tǒng)概述
2．3 馬爾科夫鏈模型
2．4 通用發(fā)生函數(shù)
2．5 多狀態(tài)系統(tǒng)動態(tài)可靠性度量及其重要度分析．
2．6 案例分析
2．7 本章小結(jié)
第3章 基于鄰域?qū)傩灾匾扰c主成分分析的齒輪箱故障特征分析
3．1 引言
3．2 齒輪箱特征定義及其分類
3．3 齒輪箱試驗方案
3．4 基于PCA與SVM的齒輪箱故障特征融合分析
3．5 基于鄰域?qū)傩灾匾鹊凝X輪箱故障特征分析
3．5．1 前向貪心數(shù)值屬性約簡
3．5．2 鄰域?qū)傩灾匾鹊挠嬎?br />3．5．3 特征優(yōu)選評價實驗方案設(shè)計
3．5．4 優(yōu)選特征的變化趨勢分析
3．5．5 基于特征優(yōu)選與PCA相結(jié)合的齒輪箱故障特征融合
3．6 基于PCA和SVM的滾動軸承故障特征融合
3．6．1 小波包故障特征提取算法及特征向量的構(gòu)造
3．6．2 基于PCA與SVM的故障特征分類與診斷流程
3．6．3 基于PCA與SVM的滾動軸承故障特征融合分析
3．6．4 基于SVM的軸承故障特征分類
3．7 本章小結(jié)
第4章 基于深度卷積神經(jīng)網(wǎng)絡(luò)的特征融合與多狀態(tài)故障識別方法
4．1 引言
4．2 深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）
4．2．1 DCNN模型的建立
4．2．2 DCNN模型的訓練
4．3 基于支持向量機的故障識別
4．3．1 支持向量機的二分類
4．3．2 支持向量機的多分類
4．4 試驗分析
4．4．1 試驗1分析
4．4．2 試驗2分析
4．4．3 試驗3分析
4．5 本章小結(jié)
第5章 基于遺傳算法和WPHM的多狀態(tài)系統(tǒng)退化特征選擇及參數(shù)化估計
5．1 引言
5．2 多狀態(tài)系統(tǒng)模型
5．2．1 假設(shè)
5．2．2 多狀態(tài)系統(tǒng)模型結(jié)構(gòu)
5．3 基于監(jiān)測數(shù)據(jù)的多狀態(tài)系統(tǒng)可靠性建模
5．4 多狀態(tài)系統(tǒng)退化特征空間構(gòu)建
5．4．1 基于時域分析的退化特征
5．4．2 基于頻域分析的退化特征
5．4．3 基于小波包分解能量的退化特征
5．4．4 基于經(jīng)驗模態(tài)分解能量的退化特征
5．4．5 信息熵退化特征
5．5 基于遺傳算法的最優(yōu)退化特征選擇方法
5．6 基于WPHM模型的參數(shù)化估計
5．7 本章小結(jié)
第6章 多狀態(tài)系統(tǒng)狀態(tài)分割及其剩余使用壽命預測方法
6．1 引言
6．2 多狀態(tài)系統(tǒng)退化狀態(tài)自動分割方法
6．3 基于流形學習算法的特征融合
6．3．1 本征維數(shù)估計
6．3．2 拉普拉斯特征映射
6．4 自動譜聚類算法
6．5 自動聚類算法實驗驗證
6．6 多狀態(tài)系統(tǒng)退化狀態(tài)識別及剩余使用壽命預測方法
6．7 基于SVM方法的狀態(tài)識別和趨勢預測
6．7．1 支持向量分類原
6．7．2 支持向量回歸原理
6．7．3 是態(tài)識別和趨勢預測
6．8 本章小結(jié)
第7章 基于隱馬爾科夫模型的多狀態(tài)系統(tǒng)故障診斷方法
7．1 引言
7．2 HMM算法
7．2．1 HMM
7．2．2 多狀態(tài)系統(tǒng)狀態(tài)識別方法
7．3 實驗裝置
7．4 結(jié)果和討論
7．4．1 數(shù)據(jù)樣本描述
7．4．2 當前狀態(tài)評估
7．4．3 多狀態(tài)識別
7．5 本章小結(jié)
第8章 化工泵狀態(tài)監(jiān)測及剩余壽命預測分析
8．1 引言
8．2 化工泵失效機理分析
8．3 化工泵多工況試驗
8．3．1 閉式試驗臺
8．3．2 測試系統(tǒng)
8．3．3 試驗方案與步驟
8．3．4 試驗結(jié)果分析
8．3．5 化工泵多工況識別方法研究
8．4 軸承全壽命試驗
8．4．1 試驗數(shù)據(jù)
8．4．2 特征空間構(gòu)建及特征選擇
8．4．3 退化狀態(tài)分割及識別
8．4．4 可靠性建模及剩余使用壽命預測
8．5 本章小結(jié)
參考文獻