| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究背景、目的和意义 | 第9-10页 |
| 1.3 相关领域国内外研究现状 | 第10-17页 |
| 1.3.1 机械故障诊断方法研究现状 | 第10-14页 |
| 1.3.2 松动故障研究现状 | 第14-17页 |
| 1.4 论文主要研究内容和组织结构 | 第17-18页 |
| 第2章 基于熵特征的液压直管卡箍松动检测 | 第18-39页 |
| 2.1 基于三轴振动传感器的液压直管卡箍松动实验 | 第18-21页 |
| 2.1.1 液压直管卡箍松动实验台结构 | 第18-20页 |
| 2.1.2 液压直管卡箍松动实验 | 第20-21页 |
| 2.2 基于MEMD和CMFE的液压直管卡箍松动熵特征提取 | 第21-31页 |
| 2.2.1 EMD、EEMD和MEMD对比分析 | 第21-24页 |
| 2.2.2 Fuzzy En、MFE和CMFE对比分析 | 第24-29页 |
| 2.2.3 基于MEMD和CMFE的熵特征提取 | 第29-31页 |
| 2.3 基于熵特征和SVM的液压直管卡箍松动检测 | 第31-32页 |
| 2.4 结果分析与比较 | 第32-38页 |
| 2.4.1 实验结果分析 | 第32-38页 |
| 2.4.2 比较分析 | 第38页 |
| 2.5 本章小结 | 第38-39页 |
| 第3章 基于卷积神经网络的液压弯管卡箍松动检测 | 第39-55页 |
| 3.1 基于三轴振动传感器的液压弯管卡箍松动实验 | 第39-40页 |
| 3.1.1 液压弯管卡箍松动实验台结构 | 第39-40页 |
| 3.1.2 液压弯管卡箍松动实验 | 第40页 |
| 3.2 卷积神经网络 | 第40-45页 |
| 3.2.1 卷积神经网络基本结构 | 第40-42页 |
| 3.2.2 Adam学习算法 | 第42-43页 |
| 3.2.3 Dropout技术 | 第43-44页 |
| 3.2.4 Batch Normalization技术 | 第44-45页 |
| 3.3 基于卷积神经网络的液压弯管卡箍松动检测模型建立 | 第45-48页 |
| 3.3.1 数据层融合 | 第45-46页 |
| 3.3.2 一维卷积神经网络结构 | 第46-47页 |
| 3.3.3 模型的训练 | 第47-48页 |
| 3.4 结果分析与比较 | 第48-54页 |
| 3.4.1 实验结果分析 | 第48-50页 |
| 3.4.2 比较分析 | 第50-54页 |
| 3.4.3 存在的问题 | 第54页 |
| 3.5 本章小结 | 第54-55页 |
| 第4章 基于分布式FBG和卷积神经网络的液压弯管卡箍松动检测 | 第55-66页 |
| 4.1 基于分布式FBG的液压弯管卡箍松动实验 | 第55-57页 |
| 4.1.1 分布式FBG | 第55-56页 |
| 4.1.2 基于分布式FBG的液压弯管卡箍松动实验台结构 | 第56页 |
| 4.1.3 基于分布式FBG的液压弯管卡箍松动实验 | 第56-57页 |
| 4.2 基于分布式FBG和卷积神经网络的液压弯管卡箍松动检测模型 | 第57-60页 |
| 4.2.1 模型的建立 | 第57-59页 |
| 4.2.2 模型的训练 | 第59-60页 |
| 4.3 结果分析与比较 | 第60-64页 |
| 4.3.1 实验结果分析 | 第60-63页 |
| 4.3.2 对比分析 | 第63-64页 |
| 4.4 本章小结 | 第64-66页 |
| 第5章 总结与展望 | 第66-68页 |
| 5.1 本文工作总结 | 第66-67页 |
| 5.2 下一步工作展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士学位期间发表的学术论文 | 第74页 |
