| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 注释表 | 第10-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 课题研究背景与意义 | 第12-14页 |
| 1.2 行星齿轮箱故障诊断技术研究现状 | 第14-19页 |
| 1.3 本文主要研究工作与内容组织安排 | 第19-20页 |
| 第二章 多噪声干扰情况下行星齿轮箱故障诊断研究 | 第20-42页 |
| 2.1 引言 | 第20-22页 |
| 2.2 深度学习多样性故障特征提取 | 第22-28页 |
| 2.2.1 SDAE原理 | 第22-25页 |
| 2.2.2 深度学习多样性故障特征提取建模 | 第25-26页 |
| 2.2.3 多样性故障特征提取选择算法 | 第26-28页 |
| 2.3 基于集成学习信息融合的故障诊断方法 | 第28-30页 |
| 2.3.1 Softmax分类器 | 第28页 |
| 2.3.2 多响应线性回归模型 | 第28-29页 |
| 2.3.3 基于MO-ESDAE的行星齿轮箱故障诊断方法 | 第29-30页 |
| 2.4 传统行星齿轮箱故障诊断方法 | 第30-32页 |
| 2.4.1 BP神经网络 | 第30-31页 |
| 2.4.2 支持向量机 | 第31-32页 |
| 2.4.3 极限学习机 | 第32页 |
| 2.5 实验及结果分析 | 第32-41页 |
| 2.5.1 行星齿轮箱故障诊断实验 | 第32-36页 |
| 2.5.2 实验结果分析 | 第36-41页 |
| 2.6 本章小结 | 第41-42页 |
| 第三章 少故障样本信息情况下行星齿轮箱故障诊断研究 | 第42-57页 |
| 3.1 引言 | 第42-44页 |
| 3.2 SDAE-GAN基本理论 | 第44-46页 |
| 3.2.1 生成对抗网络 | 第44页 |
| 3.2.2 SDAE-GAN原理 | 第44-46页 |
| 3.3 基于SDAE-GAN的行星齿轮箱故障诊断方法 | 第46-47页 |
| 3.4 实验结果分析 | 第47-55页 |
| 3.4.1 SDAE-GAN参数选取 | 第47-49页 |
| 3.4.2 SDAE-GAN提取特征分析 | 第49-51页 |
| 3.4.3 SDAE-GAN故障诊断结果分析 | 第51-55页 |
| 3.5 本章小结 | 第55-57页 |
| 第四章 总结与展望 | 第57-59页 |
| 4.1 研究工作总结 | 第57-58页 |
| 4.2 后续研究展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65-66页 |
| 在学期间的研究成果及发表的学术论文 | 第66页 |
