基于深度信念网络的故障诊断研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-22页 |
| 1.1 研究背景及研究意义 | 第10-11页 |
| 1.2 国内外研究现状分析 | 第11-18页 |
| 1.2.1 故障诊断研究现状 | 第12-16页 |
| 1.2.2 深度学习研究现状 | 第16-18页 |
| 1.2.3 研究现状总结 | 第18页 |
| 1.3 主要研究内容和论文结构 | 第18-22页 |
| 1.3.1 主要研究内容 | 第18-19页 |
| 1.3.2 论文结构框架 | 第19-22页 |
| 2 问题描述及探索性研究 | 第22-38页 |
| 2.1 基于深度信念网络的故障诊断简述 | 第22-23页 |
| 2.2 研究对象描述 | 第23-29页 |
| 2.2.1 状态监测方法 | 第24-26页 |
| 2.2.2 轴承故障类型 | 第26-27页 |
| 2.2.3 监测数据结构描述 | 第27-29页 |
| 2.3 数据分组 | 第29-30页 |
| 2.4 样本数据形成 | 第30-36页 |
| 2.4.1 故障类型的定义 | 第31-32页 |
| 2.4.2 样本数据的形成 | 第32-36页 |
| 2.5 探索性研究 | 第36-37页 |
| 2.6 本章小结 | 第37-38页 |
| 3 基于深度信念网络的故障诊断 | 第38-58页 |
| 3.1 深度信念网络 | 第38-43页 |
| 3.1.1 受限玻尔兹曼机结构 | 第38页 |
| 3.1.2 受限玻尔兹曼机训练算法 | 第38-42页 |
| 3.1.3 深度信念网络训练 | 第42-43页 |
| 3.2 数据预处理与参数设置 | 第43-47页 |
| 3.2.1 频域转化 | 第43-44页 |
| 3.2.2 归一化处理 | 第44-45页 |
| 3.2.3 DBN关键参数设置 | 第45-47页 |
| 3.3 性能指标设置 | 第47-48页 |
| 3.4 轴承故障诊断与分析 | 第48-57页 |
| 3.4.1 振动数据预处理 | 第48-50页 |
| 3.4.2 构建DBN模型 | 第50-51页 |
| 3.4.3 轴承的故障诊断 | 第51-54页 |
| 3.4.4 故障诊断结果分析 | 第54-57页 |
| 3.5 本章小结 | 第57-58页 |
| 4 模型测试及敏感性分析 | 第58-76页 |
| 4.1 模型测试 | 第58-59页 |
| 4.1.1 测试集故障诊断 | 第58页 |
| 4.1.2 与其他故障诊断方法对比 | 第58-59页 |
| 4.2 隐含层组合分析 | 第59-64页 |
| 4.2.1 隐含层组合设置 | 第60-63页 |
| 4.2.2 不同隐含层组合模型故障诊断结果分析 | 第63-64页 |
| 4.3 传感器位置的敏感性分析 | 第64-69页 |
| 4.3.1 不同位置传感器监测数据的故障诊断 | 第65-68页 |
| 4.3.2 敏感性分析 | 第68-69页 |
| 4.4 外圈故障位置的敏感性分析 | 第69-73页 |
| 4.4.1 外圈故障位置变化的多种故障类型诊断 | 第69-72页 |
| 4.4.2 敏感性分析 | 第72-73页 |
| 4.5 外圈故障位置诊断 | 第73-75页 |
| 4.6 本章小结 | 第75-76页 |
| 5 总结与展望 | 第76-78页 |
| 5.1 工作总结 | 第76-77页 |
| 5.2 工作展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第82-86页 |
| 学位论文数据集 | 第86页 |
