| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题的研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 电机故障诊断方法的研究现状 | 第11-13页 |
| 1.2.2 深度学习的发展及其在故障诊断中的研究现状 | 第13-15页 |
| 1.2.3 极限学习机的发展及其在故障诊断中的研究现状 | 第15-16页 |
| 1.3 论文研究内容及意义 | 第16-19页 |
| 1.4 论文组织结构 | 第19-20页 |
| 第二章 基于稀疏去噪自动编码深度神经网络的电机故障诊断 | 第20-40页 |
| 2.1 传统神经网络模型 | 第20-23页 |
| 2.1.1 神经网络基本知识 | 第20-21页 |
| 2.1.2 反向传播算法 | 第21-23页 |
| 2.2 自动编码器模型 | 第23-28页 |
| 2.2.1 稀疏自动编码器 | 第23-25页 |
| 2.2.2 去噪自动编码器 | 第25-26页 |
| 2.2.3 Dropout方法概述 | 第26页 |
| 2.2.4 基于稀疏去噪自动编码器的深度神经网络 | 第26-28页 |
| 2.3 常用感应电机故障识别算法 | 第28-31页 |
| 2.3.1 BP神经网络 | 第28-29页 |
| 2.3.2 支持向量机 | 第29-30页 |
| 2.3.3 Softmax分类器 | 第30-31页 |
| 2.4 感应电机故障诊断实验验证 | 第31-37页 |
| 2.4.1 感应电机实验配置 | 第31-32页 |
| 2.4.2 各故障识别算法实现说明 | 第32-33页 |
| 2.4.3 稀疏去噪自动编码器参数的选取 | 第33-35页 |
| 2.4.4 深度神经网络在故障识别上的性能比较 | 第35-37页 |
| 2.5 本章小结 | 第37-40页 |
| 第三章 基于判别性卷积特征学习方法的感应电机故障诊断 | 第40-52页 |
| 3.1 卷积神经网络 | 第40-43页 |
| 3.1.1 卷积层 | 第41页 |
| 3.1.2 降采样层 | 第41-42页 |
| 3.1.3 卷积神经网络的反向传播算法 | 第42-43页 |
| 3.2 判别性卷积特征学习方法 | 第43-45页 |
| 3.2.1 判别性局部识别 | 第44页 |
| 3.2.2 判别性卷积池化模型 | 第44-45页 |
| 3.3 感应电机故障诊断实验验证 | 第45-51页 |
| 3.3.1 实验数据说明 | 第45页 |
| 3.3.2 对比实验设置说明 | 第45-47页 |
| 3.3.3 故障诊断效果综合比较 | 第47-49页 |
| 3.3.4 判别性卷积池化模型的参数选择 | 第49-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第四章 极限学习机在感应电机故障诊断上的应用研究 | 第52-66页 |
| 4.1 极限学习机模型 | 第52-55页 |
| 4.2 基于局部感受域的极限学习机 | 第55-57页 |
| 4.3 核极限学习机 | 第57-58页 |
| 4.4 基于极限学习机的感应电机故障诊断方法 | 第58-59页 |
| 4.5 感应电机故障诊断实验验证 | 第59-64页 |
| 4.5.1 实验数据预处理 | 第59页 |
| 4.5.2 同一转速频率负载下的故障分类实验 | 第59-62页 |
| 4.5.3 不同转速频率负载下的故障分类实验 | 第62-64页 |
| 4.6 本章小结 | 第64-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 论文总结 | 第66-67页 |
| 5.2 展望 | 第67-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-82页 |
| 作者简介 | 第82页 |
