| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 基于解析模型的方法 | 第10-12页 |
| 1.2.2 基于信号处理的方法 | 第12-14页 |
| 1.2.3 基于知识的方法 | 第14-16页 |
| 1.2.4 现状总结 | 第16页 |
| 1.3 本文主要研究内容 | 第16-18页 |
| 第二章 传感器故障诊断相关理论 | 第18-24页 |
| 2.1 概述 | 第18页 |
| 2.2 桥梁挠度-激光投射式位移传感器 | 第18-20页 |
| 2.3 激光投射式位移传感器故障特征 | 第20-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 面向故障诊断的深度自编码网络模型设计 | 第24-50页 |
| 3.1 概述 | 第24-25页 |
| 3.2 深度学习模型 | 第25-31页 |
| 3.2.1 递归神经网络 | 第25-26页 |
| 3.2.2 深度置信网络(DBN) | 第26-28页 |
| 3.2.3 深度自编码网络(SAE) | 第28-31页 |
| 3.3 深度自编码网络优化算法 | 第31-34页 |
| 3.3.1 梯度下降法 | 第31-32页 |
| 3.3.2 牛顿法 | 第32页 |
| 3.3.3 拟牛顿法 | 第32-34页 |
| 3.4 深度自编码网络结构设计 | 第34-49页 |
| 3.4.1 输入层、输出层 | 第34-35页 |
| 3.4.2 超参数确定 | 第35-47页 |
| 3.4.3 深度自编码网络结构确定 | 第47-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 江津长江大桥挠度传感器故障诊断 | 第50-61页 |
| 4.1 软件平台 | 第50页 |
| 4.2 数据来源及预处理 | 第50-53页 |
| 4.2.1 数据来源 | 第50-52页 |
| 4.2.2 数据预处理 | 第52-53页 |
| 4.3 诊断过程及结果分析 | 第53-56页 |
| 4.3.1 诊断步骤 | 第53页 |
| 4.3.2 诊断结果分析 | 第53-56页 |
| 4.4 与传统诊断方法的诊断结果对比 | 第56-60页 |
| 4.4.1 基于BP神经网络故障诊断模型 | 第56-59页 |
| 4.4.2 基于支持向量机的故障诊断模型 | 第59-60页 |
| 4.4.3 诊断结果及分析 | 第60页 |
| 4.5 章小结 | 第60-61页 |
| 第五章 传感器故障与桥梁损伤的区别 | 第61-67页 |
| 5.1 传感器的关联性 | 第61-62页 |
| 5.2 关联规则相关理论 | 第62-63页 |
| 5.3 基于关联规则传感器故障与桥梁损伤的区分方法 | 第63-66页 |
| 5.3.1 传感器数据部分异常 | 第64-65页 |
| 5.3.2 传感器数据全部异常 | 第65-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第六章 结论及展望 | 第67-69页 |
| 6.1 主要工作和结论 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读学位期间取得的研究成果 | 第74页 |