| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 创新点 | 第9-15页 |
| 第1章 绪论 | 第15-37页 |
| 1.1 课题来源 | 第15页 |
| 1.2 工业大数据背景下的故障智能诊断 | 第15-21页 |
| 1.2.1 机械故障智能诊断 | 第15-18页 |
| 1.2.2 工业大数据及其特点 | 第18-20页 |
| 1.2.3 工业大数据带来的挑战 | 第20-21页 |
| 1.3 深度学习及其在故障智能诊断领域的应用 | 第21-35页 |
| 1.3.1 深度学习思想 | 第21-23页 |
| 1.3.2 深度学习基本模型及比较 | 第23-28页 |
| 1.3.3 深度学习在机械故障诊断领域的应用 | 第28-33页 |
| 1.3.4 深度学习应用于故障诊断的不足与难点 | 第33-35页 |
| 1.4 论文主要研究内容 | 第35-36页 |
| 1.5 论文技术路线 | 第36-37页 |
| 第2章 基于卷积神经网络的故障敏感特征自学习方法 | 第37-58页 |
| 2.1 引言 | 第37页 |
| 2.2 一维卷积神经网络结构 | 第37-42页 |
| 2.2.1 卷积层 | 第38-39页 |
| 2.2.2 降采样层 | 第39-40页 |
| 2.2.3 全连接层 | 第40-42页 |
| 2.2.4 目标函数 | 第42页 |
| 2.2.5 局部连接与权值共享 | 第42页 |
| 2.3 卷积神经网络的训练 | 第42-45页 |
| 2.3.1 前向传导 | 第43页 |
| 2.3.2 反向传播 | 第43-45页 |
| 2.4 基于深度网络的特征学习与故障诊断方法 | 第45-46页 |
| 2.5 滚动轴承故障的特征学习与识别 | 第46-56页 |
| 2.5.1 故障数据描述与预处理 | 第46-49页 |
| 2.5.2 模型构建 | 第49-51页 |
| 2.5.3 对比方法 | 第51-52页 |
| 2.5.4 诊断结果与分析 | 第52-53页 |
| 2.5.5 特征可视化 | 第53-56页 |
| 2.6 本章小结 | 第56-58页 |
| 第3章 基于深度领域自适应的跨工况故障识别方法 | 第58-82页 |
| 3.1 引言 | 第58-61页 |
| 3.1.1 故障诊断中的跨工况问题 | 第58-59页 |
| 3.1.2 领域自适应技术及其在故障诊断领域的应用 | 第59-61页 |
| 3.2 深度领域自适应网络 | 第61-64页 |
| 3.2.1 降噪自编码理论 | 第62-63页 |
| 3.2.2 边缘降噪自编码 | 第63-64页 |
| 3.2.3 边缘堆栈降噪自编码 | 第64页 |
| 3.3 基于深度领域自适应的跨工况故障诊断方法 | 第64-68页 |
| 3.3.1 基于1DCNN的故障敏感特征学习 | 第64-65页 |
| 3.3.2 基于自适应mSDA的深度领域自适应 | 第65-67页 |
| 3.3.3 基于SVM的跨工况故障诊断 | 第67页 |
| 3.3.4 基于深度领域自适应的跨工况故障诊断流程 | 第67-68页 |
| 3.4 齿轮箱跨工况故障诊断试验 | 第68-73页 |
| 3.4.1 试验及数据集描述 | 第68-69页 |
| 3.4.2 数据预处理 | 第69-70页 |
| 3.4.3 跨工况诊断任务设置 | 第70-71页 |
| 3.4.4 模型构建 | 第71-72页 |
| 3.4.5 对比方法 | 第72-73页 |
| 3.5 诊断结果与讨论 | 第73-81页 |
| 3.5.1 特征可视化 | 第73-75页 |
| 3.5.2 自适应mSDA有效性的验证 | 第75-76页 |
| 3.5.3 诊断结果 | 第76-80页 |
| 3.5.4 与相关文献的对比 | 第80-81页 |
| 3.6 本章小结 | 第81-82页 |
| 第4章 强噪声干扰下基于深度网络的振动降噪方法 | 第82-109页 |
| 4.1 引言 | 第82-84页 |
| 4.1.1 故障诊断中的信号降噪问题 | 第82-83页 |
| 4.1.2 深度网络用于信号降噪的可行性 | 第83-84页 |
| 4.2 基于深度降噪网络的振动-噪声分离 | 第84-92页 |
| 4.2.1 预处理 | 第84-87页 |
| 4.2.2 时频分解 | 第87-88页 |
| 4.2.3 特征提取 | 第88-89页 |
| 4.2.4 学习目标 | 第89页 |
| 4.2.5 基于的DBN深度降噪网络 | 第89-91页 |
| 4.2.6 波形重构 | 第91-92页 |
| 4.3 基于深度降噪网络的故障诊断流程 | 第92-93页 |
| 4.4 滚动轴承振动信号降噪与故障识别 | 第93-101页 |
| 4.4.1 含噪信号生成 | 第93-96页 |
| 4.4.2 模型构建 | 第96页 |
| 4.4.3 降噪及诊断结果 | 第96-101页 |
| 4.5 往复压缩机气阀振动信号降噪与故障识别 | 第101-108页 |
| 4.5.1 故障数据描述及预处理 | 第101-102页 |
| 4.5.2 含噪信号生成 | 第102-104页 |
| 4.5.3 模型构建 | 第104页 |
| 4.5.4 降噪及诊断结果 | 第104-108页 |
| 4.6 本章小结 | 第108-109页 |
| 第5章 基于遗传算法优化的深度网络自适应构建方法 | 第109-129页 |
| 5.1 引言 | 第109-112页 |
| 5.1.1 深度网络构建的复杂性 | 第109-111页 |
| 5.1.2 自适应深度网络在故障诊断领域的应用 | 第111-112页 |
| 5.2 遗传算法 | 第112-116页 |
| 5.2.1 基本思想 | 第112页 |
| 5.2.2 组成单元 | 第112-115页 |
| 5.2.3 运算流程 | 第115-116页 |
| 5.3 基于遗传算法的深度网络自适应构建策略 | 第116-122页 |
| 5.3.1 数据重整 | 第116-118页 |
| 5.3.2 网络深度确定 | 第118-119页 |
| 5.3.3 基于遗传算法的参数优化 | 第119-121页 |
| 5.3.4 基于自适应深度网络的故障诊断流程 | 第121-122页 |
| 5.4 自适应深度网络用于滚动轴承故障诊断 | 第122-125页 |
| 5.4.1 网络深度确定 | 第122-123页 |
| 5.4.2 优化范围及遗传控制参数设定 | 第123-124页 |
| 5.4.3 诊断结果 | 第124-125页 |
| 5.5 自适应深度网络用于齿轮箱故障诊断 | 第125-128页 |
| 5.5.1 网络深度确定 | 第125-126页 |
| 5.5.2 优化范围及遗传控制参数设定 | 第126页 |
| 5.5.3 诊断结果 | 第126-128页 |
| 5.6 本章小结 | 第128-129页 |
| 第6章 基于多源异构监测参数的深度融合诊断方法 | 第129-148页 |
| 6.1 引言 | 第129-131页 |
| 6.1.1 多源监测在故障诊断中的应用与不足 | 第129-130页 |
| 6.1.2 基于红外成像的非结构性监测 | 第130-131页 |
| 6.2 基于多源异构监测的深度融合诊断方法 | 第131-137页 |
| 6.2.1 多流卷积神经网络 | 第131-134页 |
| 6.2.2 基于t-SNE的深度特征融合 | 第134-135页 |
| 6.2.3 基于多源异构监测的深度融合诊断流程 | 第135-137页 |
| 6.3 基于多源异构监测的转子系统故障诊断试验 | 第137-141页 |
| 6.3.1 试验设置 | 第137-138页 |
| 6.3.2 故障数据描述及预处理 | 第138-139页 |
| 6.3.3 模型构建 | 第139-141页 |
| 6.3.4 对比方法 | 第141页 |
| 6.4 诊断结果与讨论 | 第141-147页 |
| 6.4.1 特征可视化 | 第141-143页 |
| 6.4.2 诊断结果与对比分析 | 第143-147页 |
| 6.5 本章小结 | 第147-148页 |
| 第7章 结论及展望 | 第148-150页 |
| 7.1 结论 | 第148-149页 |
| 7.2 展望 | 第149-150页 |
| 参考文献 | 第150-164页 |
| 附录 A 常用人工特征统计 | 第164-166页 |
| 致谢 | 第166-167页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第167-169页 |
| 学位论文数据集 | 第169页 |