深度学习的亚健康识别算法的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景和研究意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 滚动轴承故障诊断的研究现状 | 第14-16页 |
| 1.2.2 “亚健康”理论的研究现状及发展 | 第16-17页 |
| 1.3 论文的主要研究工作 | 第17-18页 |
| 1.4 论文的结构安排 | 第18-19页 |
| 第2章 机器学习基础理论 | 第19-34页 |
| 2.1 BP神经网络 | 第19-22页 |
| 2.1.1 BP神经网络结构 | 第19-20页 |
| 2.1.2 BP神经网络的学习步骤 | 第20-22页 |
| 2.1.3 BP神经网络的优缺点 | 第22页 |
| 2.2 深度学习 | 第22-27页 |
| 2.2.1 深度学习的基本思想 | 第23-25页 |
| 2.2.2 深度学习常用方法 | 第25-26页 |
| 2.2.3 深度学习优点 | 第26-27页 |
| 2.3 支持向量机 | 第27-33页 |
| 2.3.1 最优分类面 | 第28-29页 |
| 2.3.2 广义最优分类面 | 第29-30页 |
| 2.3.3 支持向量回归机 | 第30-32页 |
| 2.3.4 核函数 | 第32-33页 |
| 2.3.5 支持向量机优点 | 第33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于深度学习的故障诊断的研究 | 第34-53页 |
| 3.1 自动编码器原理 | 第34-37页 |
| 3.1.1 目标函数及推导 | 第35-37页 |
| 3.1.2 运行步骤 | 第37页 |
| 3.2 层叠降噪自动编码 | 第37-39页 |
| 3.3 改进层叠降噪自动编码器 | 第39-43页 |
| 3.3.1 对隐藏层的改进 | 第39-40页 |
| 3.3.2 对结构的改进 | 第40页 |
| 3.3.3 改进SDA-SVM训练流程 | 第40-43页 |
| 3.4 实验结果及分析 | 第43-51页 |
| 3.4.1 轴承数据预处理 | 第44-46页 |
| 3.4.2 参数确定 | 第46-47页 |
| 3.4.3 隐层特征的提取 | 第47-51页 |
| 3.4.4 实验结果分析 | 第51页 |
| 3.5 本章小结 | 第51-53页 |
| 第4章 滚动轴承的“亚健康”识别 | 第53-62页 |
| 4.1 “亚健康”状态 | 第53-57页 |
| 4.1.1 健康度的定义 | 第53-54页 |
| 4.1.2 亚健康状态的划分 | 第54-57页 |
| 4.2 “亚健康”识别方法的提出 | 第57-61页 |
| 4.2.1 已有剩余寿命预测方法 | 第57-59页 |
| 4.2.2 提出“亚健康”识别方法 | 第59-60页 |
| 4.2.3 预测剩余寿命改进策略 | 第60-61页 |
| 4.3 本章小结 | 第61-62页 |
| 第5章 实验及性能评估 | 第62-69页 |
| 5.1 “亚健康”状态诊断 | 第62-68页 |
| 5.1.1 滚动轴承特征对比 | 第63-64页 |
| 5.1.2 剩余寿命预测 | 第64-67页 |
| 5.1.3 实验结果分析 | 第67-68页 |
| 5.2 本章小结 | 第68-69页 |
| 第6章 总结和展望 | 第69-71页 |
| 6.1 总结 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读学位期间发表的学术论文及参加科研情况 | 第75页 |
