| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-21页 |
| 1.1 课题背景及意义 | 第9-11页 |
| 1.2 课题国内外研究现状分析 | 第11-18页 |
| 1.2.1 故障诊断的研究现状 | 第11-12页 |
| 1.2.2 深度学习的研究现状 | 第12-14页 |
| 1.2.3 深度神经网络基本模型 | 第14-18页 |
| 1.3 课题研究目标及内容 | 第18-19页 |
| 1.4 本文结构安排 | 第19-21页 |
| 第二章 自适应深度神经网络 | 第21-25页 |
| 2.1 深度神经网络模型的步长选择 | 第21页 |
| 2.2 自适应深度神经网络算法 | 第21-22页 |
| 2.3 自适应深度神经网络仿真实验 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于频域信号的故障诊断模型 | 第25-44页 |
| 3.1 频域信号的预处理 | 第25-26页 |
| 3.2 训练SDAE模型 | 第26-28页 |
| 3.2.1 DAE原理介绍 | 第26-28页 |
| 3.2.2 SDAE模型基本结构 | 第28页 |
| 3.3 基于ISDAE的故障诊断模型 | 第28-31页 |
| 3.3.1 ISDAE降噪处理设计 | 第28-29页 |
| 3.3.2 ISDAE故障诊断模型设计 | 第29-30页 |
| 3.3.3 ISDAE故障诊断算法流程 | 第30-31页 |
| 3.4 ISDAE故障诊断仿真实验 | 第31-43页 |
| 3.4.1 机械轴承故障诊断仿真实验 | 第31-37页 |
| 3.4.2 齿轮箱故障诊断仿真实验 | 第37-40页 |
| 3.4.3 分级噪音信号故障诊断实验 | 第40-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于时域信号的故障诊断模型 | 第44-62页 |
| 4.1 时域信号的归一化 | 第44页 |
| 4.2 训练DCNN模型 | 第44-47页 |
| 4.2.1 Conv层与Sub-sampling层原理介绍 | 第44-46页 |
| 4.2.2 DCNN模型基本结构 | 第46-47页 |
| 4.3 基于ADCNN的分层故障诊断 | 第47-51页 |
| 4.3.1 ADCNN分层模型结构 | 第47-49页 |
| 4.3.2 ADCNN基础模型结构设计 | 第49-51页 |
| 4.4 ADCNN故障诊断仿真实验 | 第51-61页 |
| 4.4.1 机械轴承故障类型诊断仿真实验 | 第52-53页 |
| 4.4.2 机械轴承尺寸故障诊断仿真实验 | 第53-56页 |
| 4.4.3 ADCNN与SVRM模型对比试验 | 第56-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-65页 |
| 5.1 总结 | 第62-63页 |
| 5.2 展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 攻读学位期间本人出版或公开发表的论著、论文 | 第70-71页 |
| 致谢 | 第71-72页 |