| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状分析 | 第11-14页 |
| 1.2.1 传统轴承故障诊断方法 | 第11-12页 |
| 1.2.2 压缩感知在轴承故障诊断中的应用 | 第12-13页 |
| 1.2.3 轴承智能故障诊断方法 | 第13-14页 |
| 1.3 研究内容及论文结构 | 第14-16页 |
| 1.3.1 论文结构 | 第14页 |
| 1.3.2 主要研究内容 | 第14-16页 |
| 第2章 基于压缩感知的轴承信号采集方法研究 | 第16-32页 |
| 2.1 引言 | 第16页 |
| 2.2 基于压缩感知的信息采集理论 | 第16-20页 |
| 2.2.1 压缩感知理论研究 | 第16-17页 |
| 2.2.2 信息有效提取的理论基础 | 第17-18页 |
| 2.2.3 压缩采集的理论实现方法 | 第18-19页 |
| 2.2.4 压缩采集与传统数据采集的区别 | 第19-20页 |
| 2.3 轴承故障信号的压缩采集 | 第20-29页 |
| 2.3.1 轴承信号的来源 | 第20-21页 |
| 2.3.2 轴承信号的稀疏性分析 | 第21-23页 |
| 2.3.3 压缩观测值故障信息有效采集分析 | 第23-29页 |
| 2.4 基于压缩采集的智能故障诊断方法 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第3章 结合深度神经网络模型的轴承智能故障诊断研究 | 第32-49页 |
| 3.1 引言 | 第32页 |
| 3.2 深度神经网络 | 第32-35页 |
| 3.2.1 稀疏自编码器 | 第33-35页 |
| 3.2.2 逐层预训练与微调 | 第35页 |
| 3.3 结合深度网络模型的轴承智能故障诊断方法 | 第35-38页 |
| 3.4 深度神经网络的构建及关键参数设计 | 第38-43页 |
| 3.4.1 压缩采集数据的获取 | 第38-39页 |
| 3.4.2 深度神经网络模型的构建 | 第39-40页 |
| 3.4.3 网络隐层神经元数目的影响 | 第40-41页 |
| 3.4.4 网络稀疏性参数的影响 | 第41页 |
| 3.4.5 网络权重惩罚系数的影响 | 第41-42页 |
| 3.4.6 采集信号压缩率的影响 | 第42-43页 |
| 3.5 故障识别方法实验结果分析 | 第43-47页 |
| 3.6 本章小结 | 第47-49页 |
| 第4章 结合稀疏滤波模型的轴承智能故障诊断研究 | 第49-64页 |
| 4.1 引言 | 第49页 |
| 4.2 结合稀疏滤波模型的轴承智能故障诊断方法 | 第49-55页 |
| 4.2.1 基于稀疏滤波的特征提取 | 第49-51页 |
| 4.2.2 基于近邻保持嵌入特征降维 | 第51-52页 |
| 4.2.3 基于softmax回归的分类 | 第52-53页 |
| 4.2.4 轴承故障诊断实现方法 | 第53-55页 |
| 4.3 稀疏滤波网络构建及关键参数设计 | 第55-59页 |
| 4.3.1 稀疏滤波网络模型构建 | 第55页 |
| 4.3.2 模型输出特征维度的影响 | 第55-56页 |
| 4.3.3 NPE融合特征维度的影响 | 第56-57页 |
| 4.3.4 观测矩阵的影响 | 第57-59页 |
| 4.3.5 softmax回归权重惩罚系数的影响 | 第59页 |
| 4.4 故障识别方法实验结果分析 | 第59-63页 |
| 4.5 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第71-72页 |
| 致谢 | 第72页 |