基于深度学习的多模态故障诊断及剩余寿命预测
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第9-21页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 故障诊断研究现状 | 第10-11页 |
| 1.3 数据驱动的故障诊断方法研究现状 | 第11-14页 |
| 1.3.1 基于统计分析的故障诊断方法 | 第11-12页 |
| 1.3.2 基于信号处理的故障诊断方法 | 第12页 |
| 1.3.3 基于机器学习的故障诊断方法 | 第12-14页 |
| 1.4 多模态故障诊断方法研究现状 | 第14-15页 |
| 1.5 剩余寿命预测方法研究现状 | 第15-16页 |
| 1.6 数据驱动的剩余寿命预测方法研究现状 | 第16-19页 |
| 1.6.1 基于统计分析的剩余寿命预测方法 | 第16-17页 |
| 1.6.2 基于机器学习的剩余寿命预测方法 | 第17-19页 |
| 1.7 论文研究内容与结构安排 | 第19-21页 |
| 2 基础知识 | 第21-31页 |
| 2.1 引言 | 第21页 |
| 2.2 深层神经网络 | 第21-25页 |
| 2.2.1 自动编码器 | 第21-23页 |
| 2.2.2 降噪自动编码器 | 第23-24页 |
| 2.2.3 深层神经网络训练 | 第24-25页 |
| 2.3 递归神经网络 | 第25-29页 |
| 2.3.1 长短时记忆网络 | 第26-27页 |
| 2.3.2 长短时记忆网络训练 | 第27-28页 |
| 2.3.3 Dropout | 第28-29页 |
| 2.4 数据预处理 | 第29页 |
| 2.5 本章小结 | 第29-31页 |
| 3 基于分级深层神经网络的多模态故障诊断 | 第31-51页 |
| 3.1 引言 | 第31页 |
| 3.2 基于深层神经网络的故障诊断 | 第31-32页 |
| 3.3 基于分级深层神经网络的多模态故障诊断 | 第32-37页 |
| 3.4 实验分析 | 第37-49页 |
| 3.4.1 实验平台 | 第37页 |
| 3.4.2 数据描述 | 第37-39页 |
| 3.4.3 故障诊断结果 | 第39-49页 |
| 3.5 本章小结 | 第49-51页 |
| 4 基于差分LSTM的剩余寿命预测 | 第51-71页 |
| 4.1 引言 | 第51页 |
| 4.2 基于LSTM的RUL预测 | 第51-52页 |
| 4.3 基于差分LSTM的多模态RUL预测 | 第52-57页 |
| 4.3.1 动态差分特征抽取 | 第52-54页 |
| 4.3.2 基于差分LSTM的多模态RUL预测 | 第54-57页 |
| 4.4 实验分析 | 第57-70页 |
| 4.4.1 C-MAPSS数据集 | 第57-59页 |
| 4.4.2 数据预处理 | 第59-62页 |
| 4.4.3 剩余寿命预测预测结果 | 第62-70页 |
| 4.5 本章小结 | 第70-71页 |
| 5 总结与展望 | 第71-73页 |
| 5.1 总结 | 第71-72页 |
| 5.2 展望 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-81页 |
| 攻读硕士学位期间的科研成果 | 第81-82页 |
