声明
致谢
1 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 故障预测与健康管理研究现状
1.2.2 轴承研究现状
1.3 本文的主要研究内容
1.4 本文的组织结构
2 理论基础与相关技术研究
2.1 故障预警研究
2.1.1 基于经验知识的方法
2.1.2 基于机理模型的方法
2.1.3 基于数据驱动的方法
2.2 轴承数据分析
2.2.1 温度数据分析
2.2.2 原始数据集描述
2.2.3 时间相关性分析
2.2.4 空间相关性分析
2.2.5 不同运行状态的相关性分析
2.3 轴承温度预测方法
2.3.1 方法的选择
2.3.2 长短期记忆网络
2.4 本章小结
3 基于多任务学习和注意力机制的LSTM的温度预测
3.1 问题描述
3.2 基于Attention的LSTM模型
3.2.1 注意力机制
3.2.2 基于Attention的LSTM结构
3.3 基于MTL和Attention的LSTM模型
3.3.1 多任务学习
3.3.2 基于MTL和Attention 的LSTM结构
3.4 AM-LSTM的损失函数优化
3.4.1 回归问题的损失函数
3.4.2 分位数的MSE损失函数
3.5 多任务学习的损失函数优化
3.5.1 基于同方差不确定性的MTL损失函数
3.5.2 基于梯度归一化的MTL损失函数
3.5.3 基于Gradient的MTL 联合损失函数
3.6 实验验证
3.6.1 实验数据及环境配置
3.6.2 评价指标
3.6.3 实验设计
3.6.4 实验结果及分析
3.7 本章小结
4 基于多模型融合的动态阈值的故障预警
4.1 问题描述
4.2 基于模糊隶属度函数的运行状态识别
4.2.1 模糊理论概述
4.2.2 模糊统计试验法
4.2.3 模糊分布法
4.2.4 运行状态的模糊识别
4.3 模糊运行状态下的多模型融合
4.4 基于动态阈值的故障预警
4.5 实验验证
4.5.1 实验数据及环境配置
4.5.2 评价指标
4.5.3 实验设计
4.5.4 实验结果及分析
4.6 本章小结
5 总结与展望
5.1 工作总结
5.2 工作展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;