基于时频图和CNN的直升机自动倾斜器滚动轴承故障诊断方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题研究背景以及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-13页 |
| 1.2.1 传统基于特征提取的故障诊断方法 | 第9页 |
| 1.2.2 基于深度学习的故障诊断方法研究现状 | 第9-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 第2章 相关基础理论 | 第14-25页 |
| 2.1 概述 | 第14页 |
| 2.2 短时傅里叶变换 | 第14页 |
| 2.3 振动信号的时频图构造 | 第14-16页 |
| 2.4 构造时频图实例 | 第16-20页 |
| 2.5 CNN网络 | 第20-24页 |
| 2.5.1 基本神经元构成 | 第20-21页 |
| 2.5.2 激活函数 | 第21-22页 |
| 2.5.3 卷积层 | 第22页 |
| 2.5.4 池化层 | 第22-23页 |
| 2.5.5 全连接层 | 第23-24页 |
| 2.5.6 Softmax回归 | 第24页 |
| 2.5.7 损失函数 | 第24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 故障诊断CNN网络设计 | 第25-52页 |
| 3.1 概述 | 第25页 |
| 3.2 数据集说明 | 第25-28页 |
| 3.3 CNN神经网络层次确定 | 第28-42页 |
| 3.3.1 2层卷积网络设计 | 第29-35页 |
| 3.3.2 3层卷积网络设计 | 第35-38页 |
| 3.3.3 4层卷积网络设计 | 第38-41页 |
| 3.3.4 实验结果与分析 | 第41-42页 |
| 3.4 卷积核尺寸确定 | 第42-43页 |
| 3.5 池化方式确定 | 第43-44页 |
| 3.6 卷积核数量确定 | 第44-47页 |
| 3.7 使用Dropout | 第47-49页 |
| 3.8 激活函数确定 | 第49-50页 |
| 3.9 本章小结 | 第50-52页 |
| 第4章 基于时频图的滚动轴承故障诊断方法 | 第52-62页 |
| 4.1 概述 | 第52页 |
| 4.2 诊断方法流程 | 第52页 |
| 4.3 环境配置 | 第52-53页 |
| 4.4 实验结果分析 | 第53-61页 |
| 4.4.1 样本数量对性能的影响 | 第53-54页 |
| 4.4.2 网络泛化能力验证 | 第54-56页 |
| 4.4.3 不同数据集测试 | 第56-58页 |
| 4.4.4 与传统方法对比实验 | 第58-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62页 |
| 5.2 未来展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间参与的科研项目和成果 | 第68-69页 |
| 致谢 | 第69-70页 |
