数据缺失情况下基于深度学习的故障诊断
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 故障诊断方法研究现状 | 第10-11页 |
| 1.3 基于数据驱动的故障诊断方法 | 第11-13页 |
| 1.3.1 基于统计分析的故障诊断方法 | 第11页 |
| 1.3.2 基于信号处理的故障诊断方法 | 第11-12页 |
| 1.3.3 基于机器学习的故障诊断方法 | 第12-13页 |
| 1.4 数据缺失处理方法研究现状 | 第13-15页 |
| 1.5 论文研究内容与结构安排 | 第15-17页 |
| 2 基础知识 | 第17-25页 |
| 2.1 引言 | 第17页 |
| 2.2 BP神经网络 | 第17-18页 |
| 2.3 DNN | 第18-21页 |
| 2.3.1 自动编码器 | 第18-19页 |
| 2.3.2 DNN模型的训练 | 第19-21页 |
| 2.3.3 Softmax分类器训练 | 第21页 |
| 2.4 数据插补方法 | 第21-23页 |
| 2.4.1 均值插补 | 第21-22页 |
| 2.4.2 KNN插补 | 第22页 |
| 2.4.3 回归插补 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 3 在线数据缺失情况下基于深度学习的故障诊断 | 第25-55页 |
| 3.1 引言 | 第25页 |
| 3.2 在线数据缺失下基于深度学习的故障诊断 | 第25-28页 |
| 3.2.1 离线建模 | 第25-26页 |
| 3.2.2 数据插补 | 第26-27页 |
| 3.2.3 在线诊断 | 第27-28页 |
| 3.3 实验和分析 | 第28-53页 |
| 3.3.1 数据描述 | 第29页 |
| 3.3.2 单变量缺失情况下的实验结果 | 第29-42页 |
| 3.3.3 多变量缺失情况下的实验结果 | 第42-53页 |
| 3.4 本章小结 | 第53-55页 |
| 4 数据缺失情况下带模型更新的深度学习故障诊断 | 第55-77页 |
| 4.1 引言 | 第55页 |
| 4.2 数据缺失情况下模型更新的深度学习故障诊断 | 第55-59页 |
| 4.2.1 结构完整历史数据故障诊断建模 | 第55-56页 |
| 4.2.2 结构完整历史数据插补模型构建 | 第56页 |
| 4.2.3 对结构不完整历史数据进行插补 | 第56-57页 |
| 4.2.4 插补之后结构完整历史数据故障诊断 | 第57页 |
| 4.2.5 模型更新 | 第57-58页 |
| 4.2.6 在线数据故障诊断 | 第58-59页 |
| 4.3 实验和分析 | 第59-76页 |
| 4.3.1 单变量缺失情况下的实验结果 | 第59-68页 |
| 4.3.2 多变量缺失情况下的实验结果 | 第68-76页 |
| 4.4 本章小结 | 第76-77页 |
| 5 总结与展望 | 第77-79页 |
| 5.1 总结 | 第77-78页 |
| 5.2 展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 攻读硕士学位期间的科研成果 | 第85-86页 |
