| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 故障信号特征提取的研究现状 | 第12-14页 |
| 1.2.2 故障检测中的图像识别技术研究现状 | 第14-15页 |
| 1.2.3 卷积神经网络及迁移学习的研究现状 | 第15-17页 |
| 1.3 研究的主要内容 | 第17-19页 |
| 1.4 本章小结 | 第19-20页 |
| 2 滚动轴承的非线性动力学故障模型建模 | 第20-32页 |
| 2.1 滚动轴承的基本结构与动力特性 | 第20-23页 |
| 2.1.1 滚动轴承的基本结构及载荷分布 | 第20-22页 |
| 2.1.2 受载滚动体数量的分析 | 第22-23页 |
| 2.2 含有表面缺陷的滚动轴承内外圈及滚子故障模型 | 第23-28页 |
| 2.2.1 滚子与内外圈的接触模型 | 第23-25页 |
| 2.2.2 滚动轴承内外圈和滚子的动力学故障模型 | 第25-28页 |
| 2.3 表面缺陷滚动轴承固有频率理论分析 | 第28-30页 |
| 2.4 基于轴承非线性动力模型与理论计算的分析 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 3 滚动轴承非线性故障信号的时频分析 | 第32-44页 |
| 3.1 滚动轴承的故障分类 | 第32-33页 |
| 3.2 滚动轴承振动信号的时频分析方法 | 第33-40页 |
| 3.2.1 故障轴承振动信号的短时傅里叶变换的时频分析 | 第33-36页 |
| 3.2.2 故障轴承振动信号的小波变换时频分析 | 第36-40页 |
| 3.3 滚动轴承时频图像数据集的生成 | 第40-43页 |
| 3.4 本章小结 | 第43-44页 |
| 4 基于卷积神经网络的滚动轴承故障诊断 | 第44-64页 |
| 4.1 卷积神经网络与图像识别 | 第44-51页 |
| 4.1.1 卷积神经网络结构 | 第44-47页 |
| 4.1.2 卷积神经网络的激活函数 | 第47-49页 |
| 4.1.3 反向传播算法 | 第49-51页 |
| 4.2 卷积神经网络的优化方法 | 第51-54页 |
| 4.2.1 正则化-Dropout | 第52-53页 |
| 4.2.2 参数优化-Adam算法 | 第53-54页 |
| 4.3 滚动轴承故障诊断中的振动时频图像分类 | 第54-63页 |
| 4.3.1 基于AlexNet滚动轴承振动时频图像分类 | 第55-58页 |
| 4.3.2 基于GoogLeNet的滚动轴承振动时频图像分类 | 第58-60页 |
| 4.3.3 基于ResNet的滚动轴承振动时频图像分类 | 第60-63页 |
| 4.4 本章小结 | 第63-64页 |
| 5 基于ResNet的滚动轴承故障诊断方法优化 | 第64-77页 |
| 5.1 滚动轴承故障诊断模型数据及损失函数优化 | 第64-66页 |
| 5.1.1 滚动轴承故障诊断模型数据样本的优化 | 第64-65页 |
| 5.1.2 滚动轴承故障诊断模型数据结构的优化 | 第65-66页 |
| 5.1.3 滚动轴承故障诊断模型损失函数的优化 | 第66页 |
| 5.2 滚动轴承故障诊断模型中的迁移学习方法 | 第66-70页 |
| 5.2.1 卷积神经网络中的迁移学习方法 | 第66-68页 |
| 5.2.2 卷积神经网络深度模型的迁移学习框架 | 第68-69页 |
| 5.2.3 滚动轴承故障诊断模型的预训练和迁移训练 | 第69-70页 |
| 5.3 滚动轴承故障诊断模型优化实验结果分析 | 第70-75页 |
| 5.4 滚动轴承故障诊断端到端的集成系统构建 | 第75页 |
| 5.5 本章小结 | 第75-77页 |
| 6 总结与展望 | 第77-79页 |
| 6.1 全文工作总结 | 第77-78页 |
| 6.2 后续研究展望 | 第78-79页 |
| 参考文献 | 第79-81页 |
