| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题的研究背景 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-16页 |
| 1.3.1 风力发电机故障诊断研究现状 | 第10-13页 |
| 1.3.2 深度学习技术研究现状 | 第13-14页 |
| 1.3.3 云计算与Hadoop平台研究现状 | 第14-16页 |
| 1.4 本文主要内容与结构安排 | 第16-18页 |
| 第2章 风力发电机组传动系统轴承故障类型与机理分析 | 第18-25页 |
| 2.1 风力发电机组结构介绍 | 第18-19页 |
| 2.2 风力发电机组轴承故障类型分析 | 第19-21页 |
| 2.3 风力发电机组轴承故障机理分析 | 第21-22页 |
| 2.4 滚动轴承的特征频率计算 | 第22-23页 |
| 2.5 滚动轴承的固有振动频率计算 | 第23-24页 |
| 2.6 本章小节 | 第24-25页 |
| 第3章 基于DBN的特征拟合与分类性能研究 | 第25-38页 |
| 3.1 深度信念网络 | 第25-27页 |
| 3.1.1 RBM原理介绍 | 第25-26页 |
| 3.1.2 DBN原理介绍 | 第26-27页 |
| 3.2 DBN训练过程 | 第27-31页 |
| 3.2.1 RBM预训练过程 | 第28-30页 |
| 3.2.2 基于BP算法的反向微调学习 | 第30-31页 |
| 3.3 DBN特征拟合能力评估 | 第31-36页 |
| 3.3.1 不同迭代次数下RBM特征拟合能力 | 第32-34页 |
| 3.3.2 不同隐藏层节点数下RBM特征拟合能力 | 第34-36页 |
| 3.3.3 不同隐藏层深度的DBN分类能力 | 第36页 |
| 3.4 本章小结 | 第36-38页 |
| 第4章 基于深度信念网络DBN的风机轴承故障诊断 | 第38-52页 |
| 4.1 轴承故障诊断实验分析 | 第38-44页 |
| 4.2 故障诊断结果分析 | 第44-47页 |
| 4.3 诊断结果与传统方法对比 | 第47页 |
| 4.4 风机轴承故障数据诊断 | 第47-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 云平台搭建与DBN模型并行化性能分析 | 第52-66页 |
| 5.1 Hadoop2.0 云平台搭建 | 第52-59页 |
| 5.1.1 硬件环境 | 第52页 |
| 5.1.2 软件环境 | 第52-53页 |
| 5.1.3 集群开发环境搭建 | 第53-59页 |
| 5.2 基于Spark的矩阵运算并行化 | 第59-62页 |
| 5.3 基于Spark的DBN算法并行化 | 第62-63页 |
| 5.4 并行化算法的性能分析 | 第63-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第6章 结论与展望 | 第66-68页 |
| 6.1 结论 | 第66页 |
| 6.2 研究工作展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 在学研究成果 | 第72-73页 |
| 致谢 | 第73页 |