| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-27页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 基于数据驱动的故障诊断研究现状 | 第11-19页 |
| 1.2.1 故障诊断概述 | 第11-13页 |
| 1.2.2 故障特征提取的国内外研究现状 | 第13-15页 |
| 1.2.3 故障模式识别的国内外研究现状 | 第15-17页 |
| 1.2.4 基于多传感器信息处理的故障诊断国内外研究现状 | 第17-19页 |
| 1.2.5 传统数据驱动故障诊断方法存在的问题 | 第19页 |
| 1.3 基于深度学习的故障诊断研究现状 | 第19-24页 |
| 1.3.1 深度学习理论及应用现状研究 | 第20-23页 |
| 1.3.2 基于深度学习的故障诊断国内外研究现状 | 第23-24页 |
| 1.4 本文研究内容与结构 | 第24-27页 |
| 第2章 基于DBN的特征提取及分类能力研究 | 第27-47页 |
| 2.1 深度学习模型 | 第27-28页 |
| 2.2 深度置信网络 | 第28-34页 |
| 2.2.1 限制玻尔兹曼机 | 第28-32页 |
| 2.2.2 DBN结构 | 第32-33页 |
| 2.2.3 DBN训练 | 第33-34页 |
| 2.3 RBM的特征提取能力研究 | 第34-42页 |
| 2.3.1 RBM的特征提取能力研究方案 | 第35-37页 |
| 2.3.2 实验验证及评估 | 第37-42页 |
| 2.4 DBN分类能力研究 | 第42-46页 |
| 2.4.1 基于DBN的数据分类模型 | 第42-44页 |
| 2.4.2 实验验证及评估 | 第44-46页 |
| 2.5 本章小结 | 第46-47页 |
| 第3章 基于DBN的单传感器信息故障诊断 | 第47-81页 |
| 3.1 单传感器信息故障诊断 | 第47-51页 |
| 3.1.1 单传感器信息故障诊断方法概述 | 第47-49页 |
| 3.1.2 基于DBN的单传感器信息故障诊断框架 | 第49-51页 |
| 3.2 基于DBN的单传感器信息故障特征提取研究方案 | 第51-53页 |
| 3.2.1 DBN重构网络 | 第51-53页 |
| 3.2.2 与传统特征提取方法对比 | 第53页 |
| 3.2.3 DBN的逐层故障特征提取能力研究 | 第53页 |
| 3.3 仿真信号故障诊断实验及分析 | 第53-66页 |
| 3.3.1 仿真信号描述及分析 | 第54-56页 |
| 3.3.2 特征提取结果及分析 | 第56-63页 |
| 3.3.3 故障识别结果及分析 | 第63-66页 |
| 3.4 轴承故障诊断实验及分析 | 第66-80页 |
| 3.4.1 轴承数据集描述及分析 | 第66-70页 |
| 3.4.2 特征提取结果及分析 | 第70-74页 |
| 3.4.3 故障识别结果及对比分析 | 第74-77页 |
| 3.4.4 不同样本长度下故障识别结果及分析 | 第77-80页 |
| 3.5 本章小结 | 第80-81页 |
| 第4章 基于DBN的多传感器信息故障诊断 | 第81-101页 |
| 4.1 多传感器信息故障诊断 | 第81-86页 |
| 4.1.1 多传感器信息故障诊断方法 | 第82-85页 |
| 4.1.2 常用的多维时间序列分类方法 | 第85-86页 |
| 4.2 基于CPCA_DTW的多维时间序列数据约减 | 第86-92页 |
| 4.2.1 多维时间序列的定义和符号 | 第88-89页 |
| 4.2.2 基于CPCA的多维时间序列降维 | 第89-90页 |
| 4.2.3 DTW距离计算 | 第90-91页 |
| 4.2.4 一维数据向量生成 | 第91-92页 |
| 4.3 基于CPCA_DTW_DBN的多维时间序列故障诊断 | 第92-98页 |
| 4.3.1 CPCA_DTW_DBN方法 | 第92-94页 |
| 4.3.2 实验验证及评估 | 第94-98页 |
| 4.4 案例应用 | 第98-100页 |
| 4.5 本章小结 | 第100-101页 |
| 结论 | 第101-103页 |
| 参考文献 | 第103-114页 |
| 攻读学位期间发表的学术论文 | 第114-116页 |
| 致谢 | 第116页 |
