| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 主要符号说明 | 第7-8页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 滚动轴承故障诊断技术的发展和现状 | 第9-11页 |
| 1.2.1 滚动轴承故障诊断的发展历程 | 第9-10页 |
| 1.2.2 滚动轴承故障诊断技术的发展现状 | 第10-11页 |
| 1.3 深度学习概述与应用 | 第11-14页 |
| 1.3.1 深度学习概念 | 第11页 |
| 1.3.2 深度学习的应用 | 第11-14页 |
| 1.4 本文主要内容与结构安排 | 第14-15页 |
| 第二章 滚动轴承故障机理分析 | 第15-24页 |
| 2.1 滚动轴承基本结构及失效形式 | 第15-18页 |
| 2.1.1 滚动轴承的结构 | 第15-16页 |
| 2.1.2 滚动轴承失效表现形式 | 第16-18页 |
| 2.2 滚动轴承的振动机理 | 第18-20页 |
| 2.2.1 轴承结构引起的强迫振动 | 第19页 |
| 2.2.2 轴承加工装配误差引起的振动 | 第19页 |
| 2.2.3 轴承局部损伤引起的振动 | 第19-20页 |
| 2.3 滚动轴承典型故障振动信号的特征 | 第20-23页 |
| 2.3.1 外圈故障 | 第20-21页 |
| 2.3.2 内圈故障 | 第21-22页 |
| 2.3.3 滚动体故障 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 深度学习理论 | 第24-41页 |
| 3.1 深度学习概述 | 第24-25页 |
| 3.1.1 从大脑结构到深度学习 | 第24-25页 |
| 3.2 深度学习的几种基本模型 | 第25-31页 |
| 3.2.1 受限波尔兹曼机 | 第25-27页 |
| 3.2.2 自动编码器（AutoEncoder） | 第27-29页 |
| 3.2.3 降噪自动编码器（Denoising Autoencoder） | 第29-31页 |
| 3.3 深度网络 | 第31-33页 |
| 3.3.1 概述 | 第31-32页 |
| 3.3.2 训练难度 | 第32页 |
| 3.3.3 预训练与微调 | 第32-33页 |
| 3.4 深度学习网络模型 | 第33-34页 |
| 3.4.1 深度信念网络(Deep Belief Network) | 第33页 |
| 3.4.2 堆栈降噪自编码网络 | 第33-34页 |
| 3.5 轴承故障分类识别 | 第34-38页 |
| 3.6 实验结果分析 | 第38-40页 |
| 3.6.1 隐层组合分析 | 第38-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第四章 原始信号直接输入的轴承故障堆栈降噪自编码识别 | 第41-51页 |
| 4.1 堆栈降噪自编码网络影响因素 | 第41-47页 |
| 4.1.1 网络层数对模型性能的影响 | 第41-43页 |
| 4.1.2 迭代次数对模型性能的影响 | 第43页 |
| 4.1.3 训练样本、测试样本比例对模型性能的影响 | 第43-44页 |
| 4.1.4 Batchsize对模型性能的影响 | 第44-46页 |
| 4.1.5 网络噪声系数对模型性能的影响 | 第46-47页 |
| 4.2 不同工况分类性能分析 | 第47-49页 |
| 4.3 对比分析 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 实验验证 | 第51-61页 |
| 5.1 滚动轴承故障模拟实验台简介 | 第51-52页 |
| 5.2 实验方案设计 | 第52-55页 |
| 5.2.1 滚动轴承基本参数 | 第52页 |
| 5.2.2 滚动轴承运行工况设计 | 第52-53页 |
| 5.2.3 轴承故障模拟 | 第53-54页 |
| 5.2.4 测点布置 | 第54-55页 |
| 5.2.5 试验测试装置 | 第55页 |
| 5.3 振动信号采集 | 第55-56页 |
| 5.4 实验结果分析 | 第56-60页 |
| 5.4.1 单一工况实验结果分析 | 第56-58页 |
| 5.4.2 变工况实验分析 | 第58-59页 |
| 5.4.3 对比实验分析 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 结论与展望 | 第61-63页 |
| 6.1 结论 | 第61-62页 |
| 6.2 研究展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 个人简历 在读期间发表的学术论文 | 第66-67页 |
| 致谢 | 第67页 |
