| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究背景及研究意义 | 第12-13页 |
| 1.2 基于数据驱动的故障诊断研究现状 | 第13-18页 |
| 1.2.1 故障诊断概述 | 第13-15页 |
| 1.2.2 故障诊断的国内外研究现状 | 第15-18页 |
| 1.3 基于深度学习的故障诊断研究现状 | 第18-20页 |
| 1.3.1 深度学习理论及应用概述 | 第18-19页 |
| 1.3.2 基于深度学习的故障诊断国内外研究现状 | 第19-20页 |
| 1.4 本文研究内容与结构 | 第20-22页 |
| 第二章 基于CNNs的滚动轴承故障诊断方法 | 第22-32页 |
| 2.1 滚动轴承故障诊断方法概述 | 第22-23页 |
| 2.2 基于EHHT-CNNs的故障诊断新方法 | 第23-30页 |
| 2.2.1 基于EHHT的初级特征提取 | 第25-27页 |
| 2.2.2 初级特征数据重构 | 第27-28页 |
| 2.2.3 基于CNNs的深层特征提取及诊断 | 第28-30页 |
| 2.3 本章小结 | 第30-32页 |
| 第三章 基于多参数的EHHT-CNNs的诊断性能研究 | 第32-40页 |
| 3.1 基于多参数的EHHT-CNNs的诊断性能研究方案 | 第32-34页 |
| 3.1.1 基于EHHT-CNNs的计算框架及参数说明 | 第32-34页 |
| 3.1.2 参数设定与调节说明 | 第34页 |
| 3.2 基于多参数的EHHT-CNNs性能评估实验 | 第34-38页 |
| 3.2.1 实验环境及数据说明 | 第35页 |
| 3.2.2 实验结果及分析 | 第35-38页 |
| 3.3 本章小结 | 第38-40页 |
| 第四章 基于数据驱动的水力发电系统故障诊断 | 第40-68页 |
| 4.1 基于数据驱动的水力发电系统的故障诊断方案 | 第40-41页 |
| 4.2 基于数据驱动的水电机组工况识别方法 | 第41-47页 |
| 4.2.1 基于MK-means的工况识别方法 | 第42-44页 |
| 4.2.2 模拟信号工况识别实验及分析 | 第44-47页 |
| 4.3 水电机组数据工况识别实验及分析 | 第47-50页 |
| 4.3.1 水电机组数据描述及分析 | 第48-49页 |
| 4.3.2 水电机组工况识别结果及分析 | 第49-50页 |
| 4.4 轴承故障诊断实验及分析 | 第50-65页 |
| 4.4.1 实验平台介绍 | 第52页 |
| 4.4.2 轴承数据集描述及分析 | 第52-55页 |
| 4.4.3 准确性实验结果及分析 | 第55-63页 |
| 4.4.4 鲁棒性实验结果及分析 | 第63-65页 |
| 4.5 本章小结 | 第65-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 总结 | 第68页 |
| 5.2 展望 | 第68-70页 |
| 参考文献 | 第70-80页 |
| 致谢 | 第80-82页 |
| 硕士期间发表的论文 | 第82-83页 |
| 学位论文评阅及答辩情况表 | 第83页 |
