| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-14页 |
| 1.1 课题来源与研究意义 | 第7-8页 |
| 1.1.1 课题来源 | 第7页 |
| 1.1.2 研究意义 | 第7-8页 |
| 1.2 压缩机组状态预测技术国内外研究现状与不足 | 第8-11页 |
| 1.2.1 压缩机组预测技术的国内外研究现状 | 第8-11页 |
| 1.2.2 压缩机组预测技术的不足 | 第11页 |
| 1.3 大数据模型深度玻尔兹曼机技术的研究现状 | 第11-12页 |
| 1.4 文章的主要研究内容 | 第12-13页 |
| 1.5 技术路线 | 第13-14页 |
| 第2章 深度学习模型DBM的高斯预处理 | 第14-26页 |
| 2.1 引言 | 第14页 |
| 2.2 深度学习理论及其优势 | 第14-18页 |
| 2.2.1 深度学习概述 | 第14-15页 |
| 2.2.2 深度学习的优势 | 第15-18页 |
| 2.3 受限玻尔兹曼机 | 第18-20页 |
| 2.4 深度玻尔兹曼机 | 第20-22页 |
| 2.5 DBM模型的高斯预处理 | 第22-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 构建大数据环境下的G-DBM预测模型 | 第26-46页 |
| 3.1 引言 | 第26页 |
| 3.2 G-DBM模型的预测原理 | 第26-27页 |
| 3.3 大数据环境下的数据清洗规则 | 第27-28页 |
| 3.4 G-DBM的预测网络构建 | 第28-33页 |
| 3.4.1 时间序列建模 | 第28-29页 |
| 3.4.2 单步预测的G-DBM网络 | 第29-31页 |
| 3.4.3 多步预测的G-DBM网络 | 第31-33页 |
| 3.5 工程应用 | 第33-45页 |
| 3.5.1 工业压缩机组振动数据的清洗与整合 | 第33-40页 |
| 3.5.2 压缩机组的G-DBM预测模型结构 | 第40-41页 |
| 3.5.3 预测结果 | 第41-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 基于TSPSO和MLS-CG的G-DBM预测模型优化 | 第46-63页 |
| 4.1 引言 | 第46页 |
| 4.2 基于TSPSO建立最优的预测模型网络结构 | 第46-49页 |
| 4.2.1 基于PSO确定G-DBM预测模型参数 | 第46-48页 |
| 4.2.2 基于tsPSO确定G-DBM预测模型参数 | 第48-49页 |
| 4.3 MLS-CG与G-DBM结合加速模型训练 | 第49-57页 |
| 4.3.1 共轭梯度混合算法(MLS-CG) | 第52-55页 |
| 4.3.2 实现MLS-CG与G-DBM的结合 | 第55-57页 |
| 4.4 优化模型的工程应用 | 第57-60页 |
| 4.5 多预测方法效果对比 | 第60-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第5章 非抽样提升小波包与G-DBM结合的轴承故障识别 | 第63-74页 |
| 5.1 引言 | 第63页 |
| 5.2 G-DBM故障识别原理 | 第63-64页 |
| 5.3 基于G-DBM技术的轴承故障识别 | 第64-66页 |
| 5.4 ULSP降噪 | 第66-71页 |
| 5.4.1 ULSP的构造 | 第66-70页 |
| 5.4.2 ULSP的降噪性能分析 | 第70-71页 |
| 5.5 基于ULSP与G-DBM的轴承故障识别 | 第71-73页 |
| 5.6 本章小结 | 第73-74页 |
| 第6章 结论 | 第74-75页 |
| 6.1 结论 | 第74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间的论文及专利情况 | 第79-80页 |
| 致谢 | 第80页 |
