摘要 | 第2-3页 |
Abstract | 第3-4页 |
1 绪论 | 第8-16页 |
1.1 课题背景及研究意义 | 第8-9页 |
1.2 国内外研究现状 | 第9-14页 |
1.2.1 滚动轴承故障诊断研究现状 | 第9-12页 |
1.2.2 航空发动机中介轴承故障诊断方法研究现状 | 第12页 |
1.2.3 深度学习在轴承故障诊断研究现状 | 第12-14页 |
1.3 论文研究内容与组织结构 | 第14-16页 |
2 基于深度神经网络的中介轴承故障诊断 | 第16-33页 |
2.1 人工神经网络概述 | 第16-17页 |
2.2 深度学习基本模型 | 第17-21页 |
2.2.1 卷积神经网络 | 第17页 |
2.2.2 受限玻尔兹曼机 | 第17-18页 |
2.2.3 自动编码器模型 | 第18-21页 |
2.3 堆叠自动编码神经网络 | 第21-25页 |
2.3.1 模型结构 | 第21-22页 |
2.3.2 无监督逐层预训练 | 第22-24页 |
2.3.3 有监督参数微调 | 第24-25页 |
2.4 基于堆叠自动编码器的中介轴承故障诊断 | 第25-32页 |
2.4.1 堆叠自动编码器诊断方法流程 | 第25-26页 |
2.4.2 中介轴承试验台介绍 | 第26-28页 |
2.4.3 网络参数研究 | 第28-30页 |
2.4.4 故障诊断结果分析 | 第30-32页 |
2.5 本章小结 | 第32-33页 |
3 基于核自动编码器的中介轴承故障诊断 | 第33-56页 |
3.1 核自动编码器 | 第33-35页 |
3.1.1 核方法 | 第33-34页 |
3.1.2 核自动编码器 | 第34-35页 |
3.2 基于KAE的深度网络模型故障诊断方法 | 第35-45页 |
3.2.1 基于SKAE的深度网络模型 | 第35-37页 |
3.2.2 中介轴承故障诊断结果分析 | 第37-42页 |
3.2.3 故障特征提取能力分析 | 第42-45页 |
3.3 基于KDAE的深度神经网络故障诊断方法 | 第45-55页 |
3.3.1 核去噪自动编码器 | 第45-46页 |
3.3.2 正则化 | 第46-47页 |
3.3.3 基于混沌的改进萤火虫算法 | 第47-49页 |
3.3.4 基于KDAE的深度网络模型 | 第49-50页 |
3.3.5 中介轴承故障诊断结果分析 | 第50-55页 |
3.4 本章小结 | 第55-56页 |
4 基于KSAE与KELM的中介轴承故障诊断 | 第56-74页 |
4.1 Morlet小波核稀疏自动编码器 | 第56-59页 |
4.1.1 Morlet小波核函数 | 第56-57页 |
4.1.2 核稀疏自动编码器 | 第57-59页 |
4.2 数据降维方法 | 第59-60页 |
4.2.1 主成分分析 | 第59页 |
4.2.2 局部保持投影 | 第59-60页 |
4.3 核极限学习机 | 第60-62页 |
4.3.1 极限学习机 | 第61-62页 |
4.3.2 核极限学习机 | 第62页 |
4.4 基于KSAE与KELM的故障诊断模型 | 第62-64页 |
4.5 航空发动机中介轴承故障诊断 | 第64-73页 |
4.5.1 故障诊断结果对比分析 | 第64-68页 |
4.5.2 特征融合结果对比分析 | 第68-72页 |
4.5.3 分类模型结果对比分析 | 第72-73页 |
4.6 本章小结 | 第73-74页 |
5 中介轴承故障诊断系统开发 | 第74-84页 |
5.1 航空发动机中介轴承故障试验台 | 第74-76页 |
5.1.1 中介轴承试验台介绍 | 第74-75页 |
5.1.2 中介轴承介绍 | 第75页 |
5.1.3 中介轴承典型故障试验 | 第75-76页 |
5.2 系统开发环境 | 第76-78页 |
5.2.1 硬件开发环境 | 第76-78页 |
5.2.2 软件开发环境 | 第78页 |
5.3 基于深度神经网络的中介轴承系统开发 | 第78-83页 |
5.3.1 轴承状态监测系统 | 第79-81页 |
5.3.2 振动数据离线分析系统 | 第81页 |
5.3.3 基于深度KDAE模型诊断系统 | 第81-82页 |
5.3.4 基于深度KSAE与KELM模型的诊断系统 | 第82-83页 |
5.4 本章小结 | 第83-84页 |
结论 | 第84-86页 |
参考文献 | 第86-92页 |
攻读硕士学位期间发表学术论文情况 | 第92-94页 |
致谢 | 第94-96页 |