| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 课题研究背景与意义 | 第12-13页 |
| 1.2 国内外电机故障诊断研究现状 | 第13-17页 |
| 1.2.1 国内研究现状 | 第13-16页 |
| 1.2.2 国外研究现状 | 第16-17页 |
| 1.3 主要研究内容 | 第17-19页 |
| 第2章 电机故障诊断基本原理 | 第19-25页 |
| 2.1 电机故障的基本原理 | 第19-21页 |
| 2.2 故障诊断基本原理 | 第21-23页 |
| 2.2.1 基于数学模型的方法 | 第22页 |
| 2.2.2 基于信号处理的方法 | 第22-23页 |
| 2.2.3 基于人工智能的方法 | 第23页 |
| 2.3 本章小结 | 第23-25页 |
| 第3章 传统电机故障诊断方法中的特征工程算法 | 第25-33页 |
| 3.1 引言 | 第25页 |
| 3.2 主成分分析 | 第25-26页 |
| 3.3 小波变换方法 | 第26-29页 |
| 3.3.1 基础小波的原理 | 第26-28页 |
| 3.3.2 小波包分解 | 第28-29页 |
| 3.3.3 脊波变换 | 第29页 |
| 3.4 迭代算法 | 第29-32页 |
| 3.4.1 混合蛙跳算法 | 第30-31页 |
| 3.4.2 狼群算法 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 基于特征学习的电机故障诊断方法 | 第33-48页 |
| 4.1 引言 | 第33页 |
| 4.2 神经网络算法 | 第33-35页 |
| 4.2.1 维数灾难 | 第34页 |
| 4.2.2 流形学习 | 第34页 |
| 4.2.3 局部不变性和平滑正则化 | 第34-35页 |
| 4.3 交叉验证优化的随机梯度下降算法 | 第35-39页 |
| 4.3.1 K折交叉验证 | 第35-36页 |
| 4.3.2 随机梯度下降算法 | 第36-39页 |
| 4.4 特征学习 | 第39-40页 |
| 4.5 卷积神经网络 | 第40-44页 |
| 4.5.1 卷积算法 | 第40-41页 |
| 4.5.2 池化 | 第41-43页 |
| 4.5.3 卷积神经网络中的反向传播算法 | 第43-44页 |
| 4.6 自编码器 | 第44-45页 |
| 4.7 正则化 | 第45-46页 |
| 4.8 SOTFMAX | 第46-47页 |
| 4.9 本章小结 | 第47-48页 |
| 第5章 仿真分析 | 第48-66页 |
| 5.1 引言 | 第48页 |
| 5.2 Anaconda与Eclipse | 第48-49页 |
| 5.3 实验数据 | 第49-50页 |
| 5.4 数据集 | 第50-52页 |
| 5.5 搭建网络模型 | 第52-58页 |
| 5.5.1 基于Tensorflow的卷积网络电机故障诊断 | 第52-57页 |
| 5.5.2 基于TensorFlow的自编码器电机故障诊断 | 第57-58页 |
| 5.6 仿真结果 | 第58-62页 |
| 5.6.1 小数据集下传统特征工程诊断方法仿真 | 第58页 |
| 5.6.2 小数据集下CV+SGDBPNN诊断方法仿真 | 第58-60页 |
| 5.6.3 大数据集下特征学习诊断方法仿真 | 第60-62页 |
| 5.7 TensorBoard | 第62-64页 |
| 5.8 本章小结 | 第64-66页 |
| 总结与展望 | 第66-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-76页 |
| 附录A 攻读硕士期间已发表或录用的论文 | 第76-77页 |
| 附录B Python环境下电机故障诊断部分程序代码 | 第77-79页 |
