| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第15-26页 |
| 1.1 选题的背景与意义 | 第15页 |
| 1.2 旋转机械故障诊断的国内外研究现状 | 第15-17页 |
| 1.3 传统的故障诊断方法与基于深度学习的故障诊断方法 | 第17-23页 |
| 1.3.1 基于信号处理的旋转机械故障诊断方法 | 第17-19页 |
| 1.3.2 基于模式识别的旋转机械故障分类方法 | 第19-20页 |
| 1.3.3 基于模式识别的旋转机械故障聚类方法 | 第20-22页 |
| 1.3.4 基于深度学习的旋转机械故障识别方法 | 第22-23页 |
| 1.4 论文的研究思路与主要内容 | 第23-26页 |
| 1.4.1 论文的研究思路 | 第23-24页 |
| 1.4.2 论文的主要研究内容 | 第24-26页 |
| 第2章 基于MED-ASTFA和ALR的变转速下齿根裂纹故障诊断方法 | 第26-39页 |
| 2.1 概述 | 第26页 |
| 2.2 MED-ASTFA方法 | 第26-28页 |
| 2.2.1 ASTFA方法 | 第26-27页 |
| 2.2.2 MED方法 | 第27页 |
| 2.2.3 MED-ASFTA方法的步骤 | 第27-28页 |
| 2.3 齿轮系统动力学建模与仿真分析 | 第28-33页 |
| 2.3.1 旋转机械故障试验台搭建 | 第28-29页 |
| 2.3.2 齿根裂纹建模 | 第29-31页 |
| 2.3.3 齿轮系统动力学仿真 | 第31-33页 |
| 2.4 变转速的齿根裂纹试验信号分析 | 第33-38页 |
| 2.4.1 裂纹损伤特征提取 | 第33-35页 |
| 2.4.2 实验信号分析 | 第35-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第3章 基于深度学习的分类算法及其在旋转机械故障识别中的应用 | 第39-49页 |
| 3.1 概述 | 第39-40页 |
| 3.2 深度学习模型的分类 | 第40页 |
| 3.3 栈式自编码器 | 第40-42页 |
| 3.3.1 自编码器 | 第40-41页 |
| 3.3.2 栈式自编码器的结构 | 第41-42页 |
| 3.4 深度信念网络 | 第42-47页 |
| 3.4.1 受限玻尔兹曼机 | 第42-44页 |
| 3.4.2 DBN的结构 | 第44-46页 |
| 3.4.3 DBN的仿真分析 | 第46-47页 |
| 3.5 DBN在齿根裂纹故障诊断中的应用 | 第47-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第4章 基于深度学习和K-means聚类的滚动轴承故障诊断方法 | 第49-68页 |
| 4.1 概述 | 第49-50页 |
| 4.2 聚类算法 | 第50-53页 |
| 4.2.1 聚类算法的评价指标 | 第50-51页 |
| 4.2.2 K-means算法的基本原理 | 第51-52页 |
| 4.2.3 K-means存在的问题 | 第52-53页 |
| 4.3 基于PCDBN和K-means聚类的理论基础 | 第53-54页 |
| 4.4 基于PCDBN和K-means聚类的滚动轴承故障诊断方法 | 第54-61页 |
| 4.4.1 基于PCDBN和K-means聚类的诊断步骤 | 第54页 |
| 4.4.2 滚动轴承故障实验数据采集 | 第54-56页 |
| 4.4.3 基于PCDBN和K-means聚类的滚动轴承故障诊断方法 | 第56-61页 |
| 4.5 基于PCDBN和K-means++聚类的滚动轴承故障诊断方法 | 第61-66页 |
| 4.5.1 K-means++聚类算法的基本原理 | 第61-62页 |
| 4.5.2 基于PCDBN和K-means++聚类的滚动轴承故障诊断方法 | 第62-66页 |
| 4.6 对比分析 | 第66-67页 |
| 4.7 本章小结 | 第67-68页 |
| 第5章 基于PCDBN和ISODATA++聚类的滚动轴承故障诊断方法 | 第68-82页 |
| 5.1 概述 | 第68页 |
| 5.2 ISODATA算法的基本原理 | 第68-70页 |
| 5.3 基于PCDBN和ISODATA聚类的滚动轴承故障诊断方法 | 第70-75页 |
| 5.3.1 基于PCDBN和ISODATA聚类的诊断步骤 | 第70页 |
| 5.3.2 基于PCDBN和ISODATA聚类的实验信号分析 | 第70-75页 |
| 5.4 基于PCDBN和ISODATA++聚类的滚动轴承故障诊断方法 | 第75-80页 |
| 5.4.1 ISODATA++算法的理论基础 | 第75-76页 |
| 5.4.2 基于PCDBN和ISODATA++聚类的滚动轴承故障诊断方法 | 第76-80页 |
| 5.5 对比分析 | 第80-81页 |
| 5.6 本章小结 | 第81-82页 |
| 第6章 基于PCDBN和模糊C均值聚类的滚动轴承故障诊断方法 | 第82-92页 |
| 6.1 概述 | 第82页 |
| 6.2 FCM算法的基本原理 | 第82-83页 |
| 6.2.1 模糊集 | 第82页 |
| 6.2.2 FCM算法 | 第82-83页 |
| 6.3 基于PCDBN和FCM聚类的滚动轴承故障诊断方法 | 第83-90页 |
| 6.3.1 基于PCDBN和FCM聚类的诊断步骤 | 第83-84页 |
| 6.3.2 基于PCDBN和FCM聚类的实验信号分析 | 第84-90页 |
| 6.4 对比分析 | 第90页 |
| 6.5 本章小结 | 第90-92页 |
| 结论与展望 | 第92-94页 |
| 参考文献 | 第94-100页 |
| 致谢 | 第100-101页 |
| 附录A 攻读学位期间发表和录用的论文目录 | 第101-102页 |
| 附录B 攻读学位期间参与的科研项目 | 第102页 |
