| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 旋转机械故障诊断概述 | 第12-19页 |
| 1.2.1 滚动轴承故障的主要基本形式 | 第12-13页 |
| 1.2.2 齿轮故障的主要基本形式 | 第13-14页 |
| 1.2.3 旋转机械故障诊断国内外研究现状 | 第14-19页 |
| 1.3 本文的主要研究内容和结构安排 | 第19-21页 |
| 1.3.1 本文的研究内容 | 第19-20页 |
| 1.3.2 本文的结构安排 | 第20-21页 |
| 第2章 深度学习稀疏自动编码器算法研究 | 第21-29页 |
| 2.1 引言 | 第21页 |
| 2.2 监督学习和无监督学习算法 | 第21页 |
| 2.3 自动编码器 | 第21-23页 |
| 2.4 梯度下降算法 | 第23-25页 |
| 2.4.1 梯度 | 第23-24页 |
| 2.4.2 梯度下降算法过程 | 第24-25页 |
| 2.5 激活函数sigmoid | 第25页 |
| 2.6 dropout | 第25-28页 |
| 2.7 降噪自动编码器 | 第28页 |
| 2.8 本章小结 | 第28-29页 |
| 第3章 基于小波变换和深度学习稀疏自动编码器的齿轮箱智能故障诊断研究 | 第29-38页 |
| 3.1 引言 | 第29页 |
| 3.2 小波变换 | 第29-31页 |
| 3.3 k近邻算法 | 第31页 |
| 3.4 基于小波变换和深度学习稀疏自动编码器的齿轮箱智能故障诊断方法 | 第31-32页 |
| 3.5 深度学习逐层训练方法 | 第32-33页 |
| 3.6 齿轮箱故障诊断实例研究 | 第33-36页 |
| 3.6.1 实验数据 | 第33-34页 |
| 3.6.2 故障特征提取 | 第34-36页 |
| 3.6.3 dropout和k值对诊断结果的影响 | 第36页 |
| 3.7 本章小结 | 第36-38页 |
| 第4章 改进型非线性耦合双稳态随机共振微弱特征信号提取方法研究 | 第38-52页 |
| 4.1 引言 | 第38页 |
| 4.2 非线性双稳态系统模型 | 第38-42页 |
| 4.2.1 朗之万方程 | 第38-40页 |
| 4.2.2 福克-普朗克方程 | 第40-42页 |
| 4.3 改进型非线性耦合双稳态随机共振系统 | 第42-43页 |
| 4.4 随机共振现象测度指标 | 第43-45页 |
| 4.4.1 信噪比 | 第44页 |
| 4.4.2 信噪该善比 | 第44页 |
| 4.4.3 相关系数 | 第44-45页 |
| 4.4.4 驻留时间分布理论 | 第45页 |
| 4.5 改进型非线性耦合双稳态随机共振系统的微弱信号检测方法 | 第45-50页 |
| 4.5.1 数值仿真特性分析 | 第46-48页 |
| 4.5.2 数值仿真和实验验证 | 第48-50页 |
| 4.6 本章小结 | 第50-52页 |
| 第5章 基于随机共振和深度学习稀疏自动编码器的轴承智能故障诊断方法研究 | 第52-63页 |
| 5.1 引言 | 第52页 |
| 5.2 基于改进型随机共振和深度学习稀疏自动编码器的轴承智能故障诊断方法 | 第52-53页 |
| 5.3 滚动轴承故障诊断识别实例研究 | 第53-60页 |
| 5.3.1 实验数据 | 第53-55页 |
| 5.3.2 稀疏自动编码器实验研究分析 | 第55-60页 |
| 5.4 实验结果分析 | 第60-62页 |
| 5.4.1 特征提取主成分分析 | 第60页 |
| 5.4.2 不同分类模型的对比试验 | 第60-61页 |
| 5.4.3 分类结果混淆矩阵分析 | 第61-62页 |
| 5.5 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第71-72页 |
| 致谢 | 第72页 |
