| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 引言 | 第9-14页 |
| 1.1 课题的研究背景及意义 | 第9页 |
| 1.2 国内外故障诊断技术的研究现状 | 第9-12页 |
| 1.2.1 国内外故障诊断技术发展历程 | 第9-10页 |
| 1.2.2 基于振动信号分析和特征提取的方法研究现状 | 第10-12页 |
| 1.3 本文研究的主要内容 | 第12-14页 |
| 2 MCKD-EWT在轴承故障诊断中的应用 | 第14-31页 |
| 2.1 MCKD-EWT提出背景介绍 | 第14页 |
| 2.2 基本理论介绍 | 第14-21页 |
| 2.2.1 经验小波变换原理(EWT) | 第14-17页 |
| 2.2.2 MCKD方法介绍 | 第17-20页 |
| 2.2.3 MCKD-EWT方法介绍 | 第20-21页 |
| 2.3 实验分析 | 第21-30页 |
| 2.3.1 数据介绍 | 第21页 |
| 2.3.2 轴承(内圈故障)振动信号分析 | 第21-27页 |
| 2.3.3 轴承(外圈故障)振动信号分析 | 第27-28页 |
| 2.3.4 MCKD-EWT方法泛化性探究 | 第28-30页 |
| 2.3.5 MCKD-EWT方法与其他方法比较 | 第30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 神经网络及深度学习相关理论 | 第31-42页 |
| 3.1 神经网络简介 | 第31-34页 |
| 3.1.1 神经元模型 | 第31-33页 |
| 3.1.2 神经网络的类别 | 第33-34页 |
| 3.2 反向传播网络与学习算法 | 第34-38页 |
| 3.3 深度学习模型 | 第38-41页 |
| 3.3.1 卷积神经网络模型 | 第39-40页 |
| 3.3.2 循环神经网络模型 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 改进的CNN-LSTM网络在轴承故障诊断中的应用 | 第42-60页 |
| 4.1 引言 | 第42-43页 |
| 4.2 方法介绍 | 第43-49页 |
| 4.2.1 局部特征提取器—LFLBs | 第43-45页 |
| 4.2.2 全局特征提取器—LSTM | 第45-49页 |
| 4.3 轴承故障实验 | 第49-56页 |
| 4.3.1 数据采集实验与数据库描述 | 第49-51页 |
| 4.3.2 数据处理 | 第51-56页 |
| 4.4 改进的CNN-LSTM网络泛化性研究及与其他方法性能比较 | 第56-59页 |
| 4.4.1 传统CNN在该数据集上的应用 | 第56-57页 |
| 4.4.2 改进的CNN-LSTM在该数据集上的应用 | 第57-58页 |
| 4.4.3 与其他机器学习算法的对比 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 5 改进的CNN-LSTM网络在涡扇发动机剩余使用寿命预测中的应用 | 第60-67页 |
| 5.1 引言 | 第60页 |
| 5.2 剩余使用寿命预测方法流程 | 第60-61页 |
| 5.3 实验 | 第61-65页 |
| 5.3.1 实验数据集介绍 | 第61-63页 |
| 5.3.2 数据预处理 | 第63页 |
| 5.3.3 网络参数设置 | 第63-64页 |
| 5.3.4 实验结果分析 | 第64-65页 |
| 5.4 本章小结 | 第65-67页 |
| 6 结论 | 第67-69页 |
| 7 展望 | 第69-70页 |
| 参考文献 | 第70-78页 |
| 在学研究成果 | 第78-79页 |
| 致谢 | 第79页 |
