| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 故障诊断技术的研究现状 | 第12-14页 |
| 1.2.2 滚动轴承故障诊断技术的研究现状 | 第14-15页 |
| 1.2.3 卷积神经网络在故障诊断领域中的研究现状 | 第15-16页 |
| 1.3 本文主要研究工作 | 第16-19页 |
| 第二章 电主轴轴承故障分析与振动信号处理方法 | 第19-31页 |
| 2.1 电主轴结构原理与故障形式 | 第19-22页 |
| 2.1.1 电主轴结构原理 | 第19-20页 |
| 2.1.2 电主轴故障形式 | 第20-22页 |
| 2.2 滚动轴承故障分析 | 第22-26页 |
| 2.2.1 滚动轴承结构与故障形式 | 第22-23页 |
| 2.2.2 滚动轴承故障频率特性 | 第23-24页 |
| 2.2.3 滚动轴承外圈故障分析 | 第24-26页 |
| 2.3 振动信号采集与处理 | 第26-29页 |
| 2.3.1 振动信号采集 | 第26-28页 |
| 2.3.2 振动信号处理 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 卷积神经网络方法介绍 | 第31-41页 |
| 3.1 卷积神经网络的结构 | 第31-32页 |
| 3.2 卷积神经网络的训练过程 | 第32-34页 |
| 3.2.1 前向传播 | 第32-33页 |
| 3.2.2 反向传播 | 第33-34页 |
| 3.3 卷积神经网络的Tensorflow框架 | 第34-36页 |
| 3.4 卷积神经网络的分类性能测试 | 第36-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 基于改进的LeNet-5卷积神经网络电主轴轴承故障诊断方法 | 第41-57页 |
| 4.1 LeNet-5卷积神经网络的结构 | 第41-42页 |
| 4.2 电主轴轴承实验数据采集与分析 | 第42-46页 |
| 4.3 LeNet-5卷积神经网络的优化与改进 | 第46-50页 |
| 4.3.1 结构参数的优化 | 第47页 |
| 4.3.2 样本数量的优化 | 第47-48页 |
| 4.3.3 激活函数的改进 | 第48-49页 |
| 4.3.4 改进方法的比较 | 第49-50页 |
| 4.4 基于bagging和分块卷积神经网络的电主轴轴承故障诊断方法 | 第50-56页 |
| 4.4.1 分块原理 | 第50-51页 |
| 4.4.2 bagging算法 | 第51页 |
| 4.4.3 故障诊断方法流程 | 第51-53页 |
| 4.4.4 故障诊断实验 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 基于改进的VGG-16卷积神经网络电主轴轴承故障诊断方法 | 第57-67页 |
| 5.1 VGG-16卷积神经网络的结构 | 第57-59页 |
| 5.1.1 VGG模型 | 第57-58页 |
| 5.1.2 VGG-16模型 | 第58-59页 |
| 5.2 电主轴轴承实验数据采集与分析 | 第59-61页 |
| 5.3 VGG-16卷积神经网络的改进 | 第61-66页 |
| 5.3.1 Dropout方法 | 第62页 |
| 5.3.2 Batch Normalization方法 | 第62-63页 |
| 5.3.3 改进方法的比较 | 第63-66页 |
| 5.3.4 故障诊断误差分析 | 第66页 |
| 5.4 本章小结 | 第66-67页 |
| 第六章 结论与展望 | 第67-69页 |
| 6.1 结论 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 作者简介 | 第73页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第73-75页 |
| 致谢 | 第75页 |
