| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 机械故障诊断研究背景与意义 | 第10-11页 |
| 1.2 机械故障诊断研究现状 | 第11-13页 |
| 1.2.1 机械故障诊断技术研究现状 | 第11-12页 |
| 1.2.2 机械故障诊断方法研究现状 | 第12-13页 |
| 1.3 机械故障诊断技术基本内容 | 第13-14页 |
| 1.4 论文主要研究内容 | 第14-16页 |
| 第2章 滚动轴承故障机理及其诊断方法 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 滚动轴承结构 | 第16-17页 |
| 2.3 滚动轴承的故障机理分析 | 第17-20页 |
| 2.3.1 滚动轴承故障的振动特性分析 | 第17-18页 |
| 2.3.2 滚动轴承的失效形式 | 第18-19页 |
| 2.3.3 轴承故障的频率特性 | 第19-20页 |
| 2.4 滚动轴承故障诊断方法 | 第20-24页 |
| 2.4.1 滚动轴承故障特征提取 | 第20-23页 |
| 2.4.2 滚动轴承故障模式识别 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第3章 基于变分模态分解的轴承故障特征提取方法 | 第26-41页 |
| 3.1 引言 | 第26页 |
| 3.2 变分模态分解原理分析 | 第26-32页 |
| 3.2.1 变分模态分解相关基础概念 | 第26-30页 |
| 3.2.2 变分模态分解基本原理 | 第30-32页 |
| 3.3 变分模态分解算法流程 | 第32-33页 |
| 3.4 变分模态分解性能实验分析 | 第33-39页 |
| 3.4.1 VMD与EMD对比实验分析 | 第33-36页 |
| 3.4.2 基于VMD轴承故障实验分析 | 第36-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 基于深度学习的故障诊断方法 | 第41-50页 |
| 4.1 引言 | 第41页 |
| 4.2 深度学习思想及其相关基本知识 | 第41-44页 |
| 4.2.1 梯度下降算法 | 第41-43页 |
| 4.2.2 后向传播算法 | 第43页 |
| 4.2.3 Softmax分类器 | 第43-44页 |
| 4.3 深度学习常用模型及其故障诊断应用 | 第44-45页 |
| 4.4 深度置信网络基本原理及结构分析 | 第45-49页 |
| 4.4.1 限制玻尔兹曼机 | 第46-47页 |
| 4.4.2 深度置信网络结构 | 第47-48页 |
| 4.4.3 深度置信网络训练过程 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 基于VMD样本熵和深度学习的轴承故障诊断 | 第50-60页 |
| 5.1 引言 | 第50页 |
| 5.2 基于变分模态分解及其样本熵的特征提取 | 第50-53页 |
| 5.2.1 样本熵 | 第50-51页 |
| 5.2.2 滚动轴承实验数据 | 第51页 |
| 5.2.3 滚动轴承故障特征提取 | 第51-53页 |
| 5.3 基于变分模态分解和深度置信网络的轴承故障诊断 | 第53-59页 |
| 5.3.1 轴承故障诊断方法流程 | 第53-54页 |
| 5.3.2 基于VMD和深度学习方法参数选择 | 第54-56页 |
| 5.3.3 滚动轴承故障诊断实例研究 | 第56-59页 |
| 5.4 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第67-68页 |
| 致谢 | 第68页 |