基于深度信念网络的滚动轴承故障类型识别方法研究
| 学位论文的主要创新点 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 基于特征提取的故障诊断研究现状 | 第11-14页 |
| 1.2.1 故障诊断概述 | 第11-13页 |
| 1.2.2 基于特征提取的国内外研究现状 | 第13-14页 |
| 1.3 基于深度学习的故障诊断研究现状 | 第14-16页 |
| 1.3.1 深度学习概述 | 第14-15页 |
| 1.3.2 基于深度学习的国内外研究现状 | 第15-16页 |
| 1.4 本文研究内容与结构 | 第16-18页 |
| 第二章 滚动轴承振动信号处理和特征提取 | 第18-36页 |
| 2.1 引言 | 第18页 |
| 2.2 时域分析 | 第18-20页 |
| 2.3 频域分析 | 第20-21页 |
| 2.4 时频域分析 | 第21-22页 |
| 2.5 滚动轴承振动信号特征提取 | 第22-33页 |
| 2.5.1 实验数据说明 | 第22-23页 |
| 2.5.2 时域特征提取与分析 | 第23-26页 |
| 2.5.3 频域特征提取与分析 | 第26-30页 |
| 2.5.4 时频域特征提取与分析 | 第30-33页 |
| 2.6 本章小结 | 第33-36页 |
| 第三章 基于深度信念网络的滚动轴承故障诊断方法 | 第36-54页 |
| 3.1 深度学习 | 第36页 |
| 3.2 深度信念网络 | 第36-42页 |
| 3.2.1 受限玻尔兹曼机 | 第37-40页 |
| 3.2.2 Gibbs采样 | 第40-42页 |
| 3.3 深度信念网络训练 | 第42-43页 |
| 3.4 基于深度信念网络的滚动轴承故障诊断方法 | 第43-49页 |
| 3.4.1 故障诊断方法 | 第43-45页 |
| 3.4.2 特征提取和特征向量 | 第45-46页 |
| 3.4.3 深度信念网络的搭建和训练 | 第46-48页 |
| 3.4.4 故障识别 | 第48-49页 |
| 3.5 深度信念网络故障分类能力研究 | 第49-52页 |
| 3.5.1 实验步骤 | 第49页 |
| 3.5.2 实验数据说明 | 第49-50页 |
| 3.5.3 实验分析 | 第50-52页 |
| 3.5.4 实验结论 | 第52页 |
| 3.6 本章小结 | 第52-54页 |
| 第四章 基于深度信念网络的故障诊断系统设计 | 第54-62页 |
| 4.1 上位机开发环境介绍 | 第54-55页 |
| 4.2 故障诊断上位机的整体设计 | 第55页 |
| 4.3 功能模块设计 | 第55-60页 |
| 4.3.1 上位机主界面设计 | 第55-56页 |
| 4.3.2 数据采集模块设计 | 第56-57页 |
| 4.3.3 设备参数设置模块设计 | 第57-58页 |
| 4.3.4 设备参数设置模块设计 | 第58页 |
| 4.3.5 数据预处理模块 | 第58-59页 |
| 4.3.6 故障诊断模块 | 第59-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第五章 基于深度信念网络的故障诊断实验验证 | 第62-72页 |
| 5.1 基于深度信念网络的滚动轴承故障诊断研究 | 第62-66页 |
| 5.1.1 实验步骤 | 第62页 |
| 5.1.2 实验数据说明 | 第62-63页 |
| 5.1.3 特征提取 | 第63-64页 |
| 5.1.4 搭建深度信念网络 | 第64-65页 |
| 5.1.5 实验结果 | 第65-66页 |
| 5.2 BP神经网络 | 第66-68页 |
| 5.2.1 BP神经网络原理 | 第66-67页 |
| 5.2.2 BP神经网络计算过程 | 第67-68页 |
| 5.3 实验对比和分析 | 第68-70页 |
| 5.4 本章小结 | 第70-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 工作总结 | 第72-73页 |
| 6.2 进一步研究与展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 发表论文和参加科研情况 | 第78-80页 |
| 发表论文 | 第78页 |
| 参加科研 | 第78-80页 |
| 致谢 | 第80页 |
