| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13-15页 |
| 2 减速电机故障诊断相关基础理论 | 第15-25页 |
| 2.1 减速电机转子轴心轨迹产生机理 | 第15-20页 |
| 2.1.1 转子振动机理 | 第15页 |
| 2.1.2 转子系统受力分析 | 第15-16页 |
| 2.1.3 减速电机转子常见偏心故障类型及轴心轨迹图形 | 第16-20页 |
| 2.2 减速电机轴承故障产生机理分析 | 第20-23页 |
| 2.2.1 轴承基本结构 | 第20-21页 |
| 2.2.2 轴承失效表现形式 | 第21-22页 |
| 2.2.3 轴承故障振动信号特征频率分析 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 3 减速电机转子轴心轨迹特征提取与故障诊断 | 第25-43页 |
| 3.1 转子轴心轨迹谐波小波提纯 | 第25-32页 |
| 3.1.1 小波去噪基础理论 | 第25-26页 |
| 3.1.2 谐波小波提纯理论 | 第26-29页 |
| 3.1.3 轴心轨迹提纯仿真 | 第29-32页 |
| 3.2 转子轴心轨迹特征提取 | 第32-35页 |
| 3.2.1 仿射不变矩特征构造 | 第32-34页 |
| 3.2.2 轴心轨迹图形仿射不变矩计算 | 第34-35页 |
| 3.3 转子轴心轨迹识别仿真 | 第35-38页 |
| 3.3.1 BP神经网络基本理论 | 第35-37页 |
| 3.3.2 轴心轨迹识别网络设计 | 第37页 |
| 3.3.3 轴心轨迹自动识别仿真实验 | 第37-38页 |
| 3.4 减速电机转子偏心故障诊断系统设计与实际应用 | 第38-41页 |
| 3.4.1 减速电机转子偏心故障诊断系统硬件 | 第38-40页 |
| 3.4.2 减速电机转子偏心故障诊断系统软件 | 第40页 |
| 3.4.3 减速电机转子偏心故障诊断系统测试 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 4 基于卷积神经网络框架的减速电机轴承故障诊断 | 第43-69页 |
| 4.1 卷积神经网络基本结构 | 第43-48页 |
| 4.1.1 卷积层 | 第43页 |
| 4.1.2 激活层 | 第43-45页 |
| 4.1.3 池化层 | 第45-46页 |
| 4.1.4 全连接层 | 第46-47页 |
| 4.1.5 误差函数 | 第47页 |
| 4.1.6 批量归一化层 | 第47-48页 |
| 4.2 卷积神经网络的误差反向传播 | 第48-50页 |
| 4.2.1 全连接层反向求导 | 第48-49页 |
| 4.2.2 池化层反向求导 | 第49页 |
| 4.2.3 卷积层反向求导 | 第49-50页 |
| 4.2.4 批量归一化层反向求导 | 第50页 |
| 4.3 RAdam优化算法 | 第50-51页 |
| 4.4 基于一维卷积神经网络的减速电机轴承故障诊断方法 | 第51-60页 |
| 4.4.1 实验数据来源 | 第51-53页 |
| 4.4.2 数据集增强 | 第53-54页 |
| 4.4.3 数据集构建 | 第54页 |
| 4.4.4 网络参数设计 | 第54-57页 |
| 4.4.5 轴承故障诊断实验与分析 | 第57-60页 |
| 4.5 基于二维卷积神经网络的减速电机轴承故障诊断方法 | 第60-67页 |
| 4.5.1 数据集构建 | 第61-62页 |
| 4.5.2 网络参数设计 | 第62-64页 |
| 4.5.3 轴承故障诊断实验与分析 | 第64-67页 |
| 4.6 本章小结 | 第67-69页 |
| 5 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69页 |
| 5.2 展望 | 第69-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间主要研究成果 | 第79页 |
