基于奇异值分解与深度递归神经网络的齿轮剩余寿命预测方法研究
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-7页 |
| 1 绪论 | 第11-19页 |
| 1.1 课题来源 | 第11页 |
| 1.2 选题背景及研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-17页 |
| 1.3.1 机械寿命预测方法 | 第12-14页 |
| 1.3.2 信号降噪方法 | 第14-15页 |
| 1.3.3 流形学习 | 第15-16页 |
| 1.3.4 递归神经网络 | 第16-17页 |
| 1.4 本文研究主要内容 | 第17-19页 |
| 2 基于改进奇异值分解的信号降噪方法 | 第19-27页 |
| 2.1 引言 | 第19页 |
| 2.2 奇异值分解 | 第19-20页 |
| 2.3 奇异值差分谱 | 第20-21页 |
| 2.4 分段自适应奇异值分解 | 第21-22页 |
| 2.5 仿真信号分析 | 第22-25页 |
| 2.5.1 啮合点处振动信号模型 | 第22-23页 |
| 2.5.2 仿真信号及其结果 | 第23-25页 |
| 2.6 本章小结 | 第25-27页 |
| 3 高维特征集的降维方法 | 第27-45页 |
| 3.1 引言 | 第27页 |
| 3.2 振动信号特取提取 | 第27-30页 |
| 3.2.1 时域特征值 | 第27-29页 |
| 3.2.2 频域特征值 | 第29-30页 |
| 3.3 传统线性降维算法 | 第30-33页 |
| 3.3.1 主成分分析算法 | 第30-32页 |
| 3.3.2 多维尺度变换算法 | 第32-33页 |
| 3.4 非线性流形学习算法 | 第33-40页 |
| 3.4.1 等距映射算法 | 第33-35页 |
| 3.4.2 局部线性嵌入算法 | 第35-37页 |
| 3.4.3 拉普拉斯特征映射算法 | 第37-38页 |
| 3.4.4 局部切空间排列算法 | 第38-40页 |
| 3.5 仿真分析 | 第40-43页 |
| 3.6 本章小结 | 第43-45页 |
| 4 深度递归神经网络 | 第45-55页 |
| 4.1 引言 | 第45页 |
| 4.2 递归神经网络结构 | 第45-48页 |
| 4.2.1 Elman神经网络 | 第45-46页 |
| 4.2.2 LSTM神经网络 | 第46-48页 |
| 4.3 深度LSTM神经网络结构推导 | 第48-50页 |
| 4.4 数据归一化方法 | 第50-51页 |
| 4.5 神经网络参数初始化方法 | 第51-52页 |
| 4.6 递归神经网络学习算法 | 第52-54页 |
| 4.7 本章小结 | 第54-55页 |
| 5 齿轮剩余寿命预测 | 第55-77页 |
| 5.1 引言 | 第55页 |
| 5.2 汽车齿轮剩余寿命预测方法 | 第55-56页 |
| 5.3 仿真数据分析 | 第56-63页 |
| 5.4 实验介绍 | 第63-65页 |
| 5.5 深度LSTM神经网络优化设计 | 第65-75页 |
| 5.5.1 特征的提取及降维 | 第65-66页 |
| 5.5.2 优化的归一化方法 | 第66页 |
| 5.5.3 优化的参数初始化方法 | 第66-67页 |
| 5.5.4 优化的学习算法 | 第67-68页 |
| 5.5.5 优化的学习率 | 第68-69页 |
| 5.5.6 输入层单元数对神经网络的影响 | 第69页 |
| 5.5.7 齿轮剩余寿命预测 | 第69-75页 |
| 5.6 本章小结 | 第75-77页 |
| 6 总结与展望 | 第77-79页 |
| 6.1 本文总结 | 第77页 |
| 6.2 工作展望 | 第77-79页 |
| 致谢 | 第79-81页 |
| 参考文献 | 第81-87页 |
| 附录 | 第87页 |
| A.作者在攻读学位期间发表的论文目录 | 第87页 |
| B.作者在攻读学位期间参与的科研项目 | 第87页 |
