基于深度学习的机械故障识别与状态评估研究
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-21页 |
| 1.1 课题背景和研究意义 | 第9-11页 |
| 1.2 机械设备故障诊断国内外研究现状分析 | 第11-19页 |
| 1.2.1 特征提取与空间转换研究现状 | 第12-15页 |
| 1.2.2 基于机器学习的数据挖掘研究现状 | 第15-17页 |
| 1.2.3 机械设备故障诊断研究现状与分析 | 第17-19页 |
| 1.3 本文的结构安排 | 第19-21页 |
| 2 混合域特征提取及流形空间转换 | 第21-35页 |
| 2.1 信号预处理 | 第21-22页 |
| 2.2 混合域特征提取 | 第22-25页 |
| 2.2.1 时域、频域特征提取 | 第22-24页 |
| 2.2.2 小波包能量特征提取 | 第24-25页 |
| 2.3 基于流形学习的特征空间转换 | 第25-33页 |
| 2.3.1 流形学习特征转换概述 | 第25-26页 |
| 2.3.2 等距映射(Isomap) | 第26-27页 |
| 2.3.3 主成分分析(PCA) | 第27-28页 |
| 2.3.4 其他主要特征空间转换方法 | 第28-29页 |
| 2.3.5 转换效果比较 | 第29-33页 |
| 2.4 本章小结 | 第33-35页 |
| 3 基于SAA的DBN故障识别模型优化 | 第35-61页 |
| 3.1 深度置信网络(DBN) | 第35-38页 |
| 3.1.1 DBN网络结构 | 第35-37页 |
| 3.1.2 DBN训练 | 第37-38页 |
| 3.2 DBN故障识别 | 第38-42页 |
| 3.2.1 DBN故障识别分析 | 第38-41页 |
| 3.2.2 DBN故障识别模型的建立 | 第41-42页 |
| 3.3 基于SAA的DBN网络结构优化 | 第42-45页 |
| 3.3.1 SAA算法 | 第42-44页 |
| 3.3.2 基于SAA的DBN优化过程 | 第44-45页 |
| 3.4 实验分析 | 第45-58页 |
| 3.4.1 实验及数据 | 第45-51页 |
| 3.4.2 实验分析及对比 | 第51-58页 |
| 3.5 本章小结 | 第58-61页 |
| 4 基于DBN自学习原始信号的状态评估研究 | 第61-75页 |
| 4.1 基于原始信号的状态评估研究分析 | 第61-62页 |
| 4.2 DBN状态评估 | 第62-67页 |
| 4.2.1 DBN自学习原始信号 | 第62-65页 |
| 4.2.2 DBN状态评估的实现 | 第65-67页 |
| 4.3 实验研究与对比 | 第67-73页 |
| 4.3.1 实验及数据 | 第67-68页 |
| 4.3.2 状态评估实验结果 | 第68-69页 |
| 4.3.3 对比实验及分析 | 第69-73页 |
| 4.4 本章小结 | 第73-75页 |
| 5 总结与展望 | 第75-77页 |
| 5.1 全文总结 | 第75页 |
| 5.2 主要创新点 | 第75-76页 |
| 5.3 研究展望 | 第76-77页 |
| 致谢 | 第77-79页 |
| 参考文献 | 第79-87页 |
| 附录 | 第87页 |
| A.作者在攻读硕士学位期间发表的论文目录 | 第87页 |
| B.作者在攻读硕士学位期间参与的科研项目目录 | 第87页 |
| C.作者在攻读硕士学位期间所获得的奖励目录 | 第87页 |
