基于深度学习的旋转机械振动故障诊断方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 信号处理方法 | 第10-12页 |
| 1.2.2 故障诊断模型 | 第12页 |
| 1.2.3 深度学习 | 第12-14页 |
| 1.3 主要研究内容 | 第14-16页 |
| 第2章 深度学习及卷积神经网络方法 | 第16-25页 |
| 2.1 深度学习 | 第16页 |
| 2.2 卷积神经网络 | 第16-20页 |
| 2.2.1 CNN方法 | 第16-19页 |
| 2.2.2 CNN网络训练 | 第19-20页 |
| 2.2.3 不同的CNN网络结构 | 第20页 |
| 2.3 基于1D-CNN的振动信号识别方法 | 第20-23页 |
| 2.3.1 方法介绍 | 第21-22页 |
| 2.3.2 实验研究 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第3章 基于CNN的振动信号SDP图像识别方法 | 第25-33页 |
| 3.1 基于SDP的振动信息处理方法 | 第25-26页 |
| 3.2 基于CNN图像识别诊断模型 | 第26-29页 |
| 3.2.1 基于CNN的SDP图像识别模型 | 第26-28页 |
| 3.2.2 基于CNN的轴心轨迹识别模型 | 第28-29页 |
| 3.3 实验研究 | 第29-31页 |
| 3.4 本章小结 | 第31-33页 |
| 第4章 基于SDP的特征信息融合故障诊断方法 | 第33-41页 |
| 4.1 问题的提出 | 第33页 |
| 4.2 HVD方法 | 第33-37页 |
| 4.2.1 希尔伯特变换 | 第34-35页 |
| 4.2.2 希尔伯特振动分解法 | 第35-36页 |
| 4.2.3 HVD虚假分量识别方法 | 第36-37页 |
| 4.3 基于SDP的模态分量信息融合故障诊断方法 | 第37页 |
| 4.4 实验研究 | 第37-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第5章 实验研究 | 第41-50页 |
| 5.1 实验台介绍 | 第41页 |
| 5.2 CNN网络结构设计 | 第41-45页 |
| 5.3 实验结果与分析 | 第45-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第6章 结论与展望 | 第50-52页 |
| 6.1 结论 | 第50页 |
| 6.2 展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第56-57页 |
| 致谢 | 第57页 |
