基于深度信念网络的微车主减速器故障诊断的研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题来源 | 第9页 |
| 1.2 研究的背景与意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-14页 |
| 1.3.1 主减速器故障诊断的现状 | 第10-12页 |
| 1.3.2 深度学习的发展与研究现状 | 第12-14页 |
| 1.4 研究内容和技术路线 | 第14-15页 |
| 1.5 论文的结构 | 第15-17页 |
| 第2章 主减速器振动信号的预处理 | 第17-30页 |
| 2.1 微车主减速器的运行工况 | 第17-20页 |
| 2.2 基于KPCA的特征提取 | 第20-26页 |
| 2.2.1 主成分分析 | 第21-23页 |
| 2.2.2 核方法 | 第23-24页 |
| 2.2.3 核主成分分析法的原理 | 第24-26页 |
| 2.2.4 核主成分分析法的步骤 | 第26页 |
| 2.3 实验与分析 | 第26-29页 |
| 2.3.1 数据集 | 第26-27页 |
| 2.3.2 特征提取 | 第27页 |
| 2.3.3 结果分析 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于深度信念网络的故障诊断模型 | 第30-47页 |
| 3.1 深度信念网络 | 第30-37页 |
| 3.1.1 前向堆叠RBM学习 | 第30-36页 |
| 3.1.2 后向微调学习 | 第36-37页 |
| 3.2 深度信念网络学习过程 | 第37-38页 |
| 3.3 基于KNN-DBN的机械故障诊断 | 第38-40页 |
| 3.3.1 K近邻算法 | 第38-39页 |
| 3.3.2 基于KNN-DBN的机械故障诊断模型 | 第39-40页 |
| 3.4 算法实现过程 | 第40-41页 |
| 3.5 模型训练 | 第41-46页 |
| 3.5.1 参数设置 | 第41-42页 |
| 3.5.2 隐藏层组合分析 | 第42-45页 |
| 3.5.3 学习率与迭代次数 | 第45-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 微车主减速器故障分类识别及结果分析 | 第47-57页 |
| 4.1 DBN分类算法的参数 | 第47-48页 |
| 4.2 性能评价指标 | 第48页 |
| 4.3 实验与分析 | 第48-55页 |
| 4.3.1 数据样本划分 | 第48-49页 |
| 4.3.2 实验及实验环境 | 第49-51页 |
| 4.3.3 结果分析 | 第51-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间公开发表的学术论文 | 第63页 |
