| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及研究意义 | 第10-11页 |
| 1.2 国内外研究进展 | 第11-15页 |
| 1.2.1 故障检测技术发展历程 | 第11-12页 |
| 1.2.2 滚动轴承故障诊断技术研究概况 | 第12-13页 |
| 1.2.3 基于深度学习的故障诊断技术研究概况 | 第13-15页 |
| 1.3 本论文主要内容 | 第15-16页 |
| 第2章 深度学习理论 | 第16-26页 |
| 2.1 深度学习基本原理 | 第16-17页 |
| 2.2 循环神经网络 | 第17-20页 |
| 2.2.1 循环神经网络与梯度消失 | 第17-18页 |
| 2.2.2 长短时记忆 | 第18-20页 |
| 2.3 卷积神经网络 | 第20-22页 |
| 2.3.1 卷积神经网络原理 | 第20-21页 |
| 2.3.2 CNN振动信号识别与CLDNN | 第21-22页 |
| 2.4 深度卷积生成对抗网络 | 第22-24页 |
| 2.4.1 生成对抗网络 | 第22页 |
| 2.4.2 深度卷积对抗生成网络 | 第22-23页 |
| 2.4.3 DCGAN隐空间理论与复合故障诊断 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第3章 基于RS-LSTM的轴承端到端故障诊断研究 | 第26-35页 |
| 3.1 方法概述 | 第26-27页 |
| 3.2 智能型滚动轴承故障状态识别过程 | 第27-28页 |
| 3.3 实验环境与网络训练和测试过程 | 第28-29页 |
| 3.4 超参数自动优化 | 第29-31页 |
| 3.4.1 随机搜索优化超参数 | 第29-30页 |
| 3.4.2 自动优化后的网络结构 | 第30-31页 |
| 3.5 端到端故障诊断实验 | 第31-34页 |
| 3.5.1 台架数据故障诊断结果及各类方法对比 | 第31-33页 |
| 3.5.2 网络泛化能力验证 | 第33-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第4章 基于改进DFCNN的轴承故障诊断研究 | 第35-41页 |
| 4.1 方法概述 | 第35页 |
| 4.2 故障诊断系统的网络模型结构 | 第35-36页 |
| 4.3 端到端故障诊断实验 | 第36-40页 |
| 4.3.1 台架数据故障诊断结果及各类方法对比 | 第36-39页 |
| 4.3.2 网络泛化能力验证 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 改进CDCGAN的轴承复合故障诊断研究 | 第41-53页 |
| 5.1 方法概述 | 第41-42页 |
| 5.2 复合故障图像生成前提条件 | 第42-44页 |
| 5.3 改进条件深度卷积生成对抗网络模型设计 | 第44-46页 |
| 5.3.1 数据正交化滤波器 | 第44-45页 |
| 5.3.2 带条件的图像生成 | 第45页 |
| 5.3.3 生成器与判别器网络结构 | 第45-46页 |
| 5.4 各个类别故障小波时频谱图像生成 | 第46-50页 |
| 5.4.1 训练及测试过程 | 第46-48页 |
| 5.4.2 结果分析对比 | 第48-50页 |
| 5.5 滚动轴承单一故障与复合故障诊断 | 第50-52页 |
| 5.5.1 训练及测试过程 | 第50-51页 |
| 5.5.2 结果分析对比 | 第51-52页 |
| 5.6 本章小结 | 第52-53页 |
| 结论与展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-63页 |
| 攻读硕士期间发表的论文 | 第63页 |