基于长短期记忆网络的轴承故障诊断算法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 课题背景及研究意义 | 第8-9页 |
| 1.2 轴承故障诊断技术研究发展与现状 | 第9-13页 |
| 1.2.1 解调分析技术研究发展 | 第9-10页 |
| 1.2.2 信号降噪技术研究发展 | 第10页 |
| 1.2.3 智能故障诊断技术研究现状 | 第10-11页 |
| 1.2.4 深度学习故障诊断技术研究现状 | 第11-12页 |
| 1.2.5 长短期记忆网络研究现状 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-16页 |
| 2 长短期记忆网络理论基础 | 第16-27页 |
| 2.1 引言 | 第16页 |
| 2.2 循环神经网络RNN | 第16-21页 |
| 2.2.1 网络架构 | 第16-18页 |
| 2.2.2 代价函数 | 第18页 |
| 2.2.3 误差反向传播 | 第18-20页 |
| 2.2.4 梯度消失和梯度爆炸问题 | 第20-21页 |
| 2.3 长短期记忆网络LSTM | 第21-27页 |
| 2.3.1 网络架构 | 第21-24页 |
| 2.3.2 误差反向传播 | 第24-25页 |
| 2.3.3 Adam优化算法 | 第25-27页 |
| 3 基于长短期记忆网络的轴承故障诊断模型 | 第27-38页 |
| 3.1 引言 | 第27页 |
| 3.2 基于LSTM的轴承故障诊断模型 | 第27-29页 |
| 3.3 滚动轴承故障诊断实验 | 第29-37页 |
| 3.3.1 实验数据 | 第29-32页 |
| 3.3.2 超参数分析 | 第32-35页 |
| 3.3.3 实验结果 | 第35页 |
| 3.3.4 模型对比 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 基于CNN-LSTM的轴承故障诊断模型 | 第38-53页 |
| 4.1 引言 | 第38页 |
| 4.2 卷积神经网络CNN | 第38-44页 |
| 4.2.1 卷积层 | 第39-41页 |
| 4.2.2 ReLU激活函数 | 第41-42页 |
| 4.2.3 降采样层 | 第42-44页 |
| 4.3 CNN-LSTM轴承故障诊断模型 | 第44-45页 |
| 4.4 滚动轴承故障诊断试验 | 第45-50页 |
| 4.4.1 超参数分析 | 第45-49页 |
| 4.4.2 实验结果 | 第49-50页 |
| 4.5 不同工况下的CNN-LSTM模型表现 | 第50-52页 |
| 4.6 本章小结 | 第52-53页 |
| 5 基于改进CNN-LSTM的轴承故障诊断模型 | 第53-62页 |
| 5.1 前言 | 第53页 |
| 5.2 数据增强 | 第53-54页 |
| 5.3 dropout | 第54-55页 |
| 5.4 批标准化 | 第55-56页 |
| 5.5 改进的CNN-LSTM轴承故障诊断模型 | 第56-57页 |
| 5.6 滚动轴承故障诊断试验 | 第57-59页 |
| 5.6.1 超参数分析 | 第57-58页 |
| 5.6.2 实验结果 | 第58-59页 |
| 5.7 模型可视化 | 第59-61页 |
| 5.8 本章小结 | 第61-62页 |
| 6 总结与展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 附录 | 第67页 |
| A.攻读学位期间发表的学术论文 | 第67页 |
