| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第9-18页 |
| 1.1 课题背景及研究意义 | 第9-11页 |
| 1.1.1 课题来源 | 第9页 |
| 1.1.2 研究的目的及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 转子故障机理研究 | 第11-12页 |
| 1.2.2 轴心轨迹的提纯 | 第12-13页 |
| 1.2.3 轴心轨迹的自动识别方法 | 第13-14页 |
| 1.2.4 深度学习 | 第14-15页 |
| 1.3 轴心轨迹识别存在的问题 | 第15-16页 |
| 1.4 本文的主要内容和结构 | 第16-18页 |
| 第2章 轴心轨迹识别理论及轴心轨迹建模 | 第18-32页 |
| 2.1 轴心轨迹识别理论 | 第18-26页 |
| 2.1.1 转子振动与轴心轨迹 | 第18-21页 |
| 2.1.2 基于特征提取的轴心轨迹识别算法 | 第21-24页 |
| 2.1.3 基于高度函数的轴心轨迹识别算法 | 第24-26页 |
| 2.2 轴心轨迹图形模拟 | 第26-31页 |
| 2.2.1 不同类型故障对应的轴心轨迹模拟 | 第26-28页 |
| 2.2.2 不同程度故障对应的细粒度轴心轨迹建模 | 第28-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 基于深度学习的旋转机械轴心轨迹识别算法 | 第32-47页 |
| 3.1 深度学习网络 | 第32-38页 |
| 3.1.1 深度置信网络 | 第32-34页 |
| 3.1.2 堆栈式自动编码器 | 第34-35页 |
| 3.1.3 卷积神经网络 | 第35-38页 |
| 3.2 基于LeNet-5的旋转机械轴心轨迹识别算法 | 第38-40页 |
| 3.2.1 LeNet-5基本结构 | 第38-39页 |
| 3.2.2 基于LeNet-5改进的轴心轨迹识别深度网络 | 第39-40页 |
| 3.3 CNN网络的结构参数实验 | 第40-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 基于特征提取与深度学习的轴心轨迹实验分析 | 第47-56页 |
| 4.1 模拟的轴心轨迹识别实验 | 第47-51页 |
| 4.1.1 不同故障的轴心轨迹图形识别(库A1、A2) | 第47-50页 |
| 4.1.2 轴心轨迹细粒度识别(库B) | 第50-51页 |
| 4.2 转子试验台实际轴心轨迹测量与识别 | 第51-54页 |
| 4.2.1 转子试验台搭建 | 第51-53页 |
| 4.2.2 轴心轨迹图测量 | 第53-54页 |
| 4.2.3 实测轴心轨迹识别实验 | 第54页 |
| 4.3 本章小结 | 第54-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 全文总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 附录 | 第62页 |
