基于深度学习网络的滚动轴承故障识别方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题的研究目的及意义 | 第10-11页 |
| 1.2 滚动轴承诊断技术的发展 | 第11-13页 |
| 1.2.1 故障诊断中的信号处理技术 | 第11-12页 |
| 1.2.2 轴承故障诊断技术的发展 | 第12-13页 |
| 1.3 神经网络与深度学习的发展 | 第13-16页 |
| 1.3.1 神经网络 | 第13-14页 |
| 1.3.2 深度学习 | 第14-16页 |
| 1.4 论文研究内容和章节安排 | 第16-18页 |
| 1.4.1 研究内容 | 第16-17页 |
| 1.4.2 论文章节安排 | 第17-18页 |
| 第二章 小波分析理论及其应用 | 第18-42页 |
| 2.1 傅里叶变换 | 第18-19页 |
| 2.2 小波分析基本理论 | 第19-24页 |
| 2.2.1 连续小波变换 | 第19-20页 |
| 2.2.2 连续小波变换的离散化 | 第20-22页 |
| 2.2.3 多分辨率分析与Mallat算法 | 第22-24页 |
| 2.3 小波包变换 | 第24-29页 |
| 2.3.1 小波包定义 | 第24-25页 |
| 2.3.2 小波包算法实现 | 第25-27页 |
| 2.3.3 小波包分解与重构实验 | 第27-29页 |
| 2.4 小波包分解层数确定 | 第29页 |
| 2.5 小波基函数的选择 | 第29-35页 |
| 2.5.1 小波基函数选择原则 | 第29-34页 |
| 2.5.2 基于熵值最小原则的小波基函数选择 | 第34-35页 |
| 2.6 工程数据的小波包分解 | 第35-40页 |
| 2.6.1 数据来源 | 第35-37页 |
| 2.6.2 小波包分解流程图 | 第37-38页 |
| 2.6.3 内圈损伤故障的小波包分解 | 第38-40页 |
| 2.7 本章小结 | 第40-42页 |
| 第三章 基于BP神经网络的诊断方法 | 第42-62页 |
| 3.1 概述 | 第42-43页 |
| 3.2 神经网络基本结构 | 第43-45页 |
| 3.2.1 单输入神经元 | 第43-44页 |
| 3.2.2 多输入神经元 | 第44-45页 |
| 3.3 传输函数 | 第45-48页 |
| 3.3.1 阈值型传输函数 | 第46页 |
| 3.3.2 线性传输函数 | 第46-47页 |
| 3.3.3 S型传输函数 | 第47-48页 |
| 3.4 BP神经网络 | 第48-50页 |
| 3.4.1 BP网络性质 | 第48-50页 |
| 3.4.2 BP网络层数选择 | 第50页 |
| 3.4.3 隐藏层节点数目 | 第50页 |
| 3.5 基于BP网络的分类识别方法 | 第50-56页 |
| 3.5.1 计算机配置 | 第50-51页 |
| 3.5.2 BP网络分类方法 | 第51-53页 |
| 3.5.3 仿真实验 | 第53-56页 |
| 3.6 工程应用 | 第56-60页 |
| 3.6.1 损伤程度分类 | 第56-58页 |
| 3.6.2 故障类别分类 | 第58-60页 |
| 3.7 本章小结 | 第60-62页 |
| 第四章 RBM深度学习网络理论 | 第62-76页 |
| 4.1 深度学习概述 | 第62-63页 |
| 4.2 深度学习模型 | 第63-65页 |
| 4.2.1 深度信念网络 | 第63-64页 |
| 4.2.2 卷积神经网络 | 第64页 |
| 4.2.3 递归神经网络 | 第64-65页 |
| 4.3 RBM深度学习算法 | 第65-72页 |
| 4.3.1 RBM基本模型 | 第66-68页 |
| 4.3.2 Gibbs采样 | 第68-69页 |
| 4.3.3 基于对比散度的RBM快速学习算法 | 第69-71页 |
| 4.3.4 隐层节点个数确定规则 | 第71-72页 |
| 4.4 仿真实验 | 第72-74页 |
| 4.4.1 基于原始信号的RBM网络 | 第72-73页 |
| 4.4.2 基于小波包能量的RBM网络 | 第73-74页 |
| 4.5 本章小结 | 第74-76页 |
| 第五章 基于RBM网络的滚动轴承故障识别 | 第76-86页 |
| 5.1 基于多层RBM网络的故障识别框架 | 第76页 |
| 5.2 信号的特征提取与分类 | 第76-77页 |
| 5.2.1 小波包分解降维 | 第77页 |
| 5.2.2 RBM网络分类方法 | 第77页 |
| 5.3 基于RBM网络的故障诊断 | 第77-80页 |
| 5.3.1 损伤程度识别 | 第77-78页 |
| 5.3.2 故障识别 | 第78-80页 |
| 5.4 基于RBM网络的轴承状态预测 | 第80-84页 |
| 5.4.1 数据来源 | 第80页 |
| 5.4.2 基于RBM网络的轴承故障预测方法 | 第80-81页 |
| 5.4.3 工程实验 | 第81-84页 |
| 5.5 本章小结 | 第84-86页 |
| 第六章 结论与展望 | 第86-88页 |
| 6.1 研究工作总结 | 第86-87页 |
| 6.2 研究工作展望 | 第87-88页 |
| 参考文献 | 第88-92页 |
| 攻读学位期间取得的研究成果 | 第92-93页 |
| 致谢 | 第93页 |
