| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第19-35页 |
| 1.1 研究背景与意义 | 第19-20页 |
| 1.2 故障诊断研究现状 | 第20-22页 |
| 1.3 滚动轴承故障诊断方法概述 | 第22-28页 |
| 1.3.1 滚动轴承故障机理与信号分析 | 第22-23页 |
| 1.3.2 时域特征提取方法 | 第23-24页 |
| 1.3.3 频域特征提取方法 | 第24-25页 |
| 1.3.4 时频特征提取方法 | 第25-28页 |
| 1.4 智能故障诊断技术概述 | 第28-30页 |
| 1.4.1 人工神经网络在故障诊断中的应用 | 第29-30页 |
| 1.4.2 支持向量机在故障诊断中的应用 | 第30页 |
| 1.5 稀疏表达在故障诊断中的应用现状 | 第30-32页 |
| 1.5.1 基于稀疏表达的信号降噪 | 第30-31页 |
| 1.5.2 基于稀疏表达的故障特征提取 | 第31-32页 |
| 1.5.3 基于稀疏表达的故障分类 | 第32页 |
| 1.6 本文的主要工作 | 第32-35页 |
| 第二章 稀疏表达理论 | 第35-51页 |
| 2.1 引言 | 第35-36页 |
| 2.2 基本概念 | 第36-39页 |
| 2.2.1 以l_0范数约束的稀疏表达 | 第36-37页 |
| 2.2.2 以l_1范数约束的稀疏表达 | 第37页 |
| 2.2.3 以l_2范数约束的稀疏表达 | 第37-38页 |
| 2.2.4 各类范数的几何说明 | 第38-39页 |
| 2.3 稀疏表达的解算法 | 第39-45页 |
| 2.3.1 匹配追踪算法和正交匹配追踪算法 | 第40-41页 |
| 2.3.2 增广拉格朗日乘子法和交替方向乘子算法 | 第41-43页 |
| 2.3.3 迭代阈值收缩算法和快速迭代阈值收缩算法 | 第43-45页 |
| 2.4 稀疏表达中的过完备冗余字典介绍 | 第45-49页 |
| 2.4.1 预构字典 | 第45-47页 |
| 2.4.2 字典学习 | 第47-49页 |
| 2.5 本章小结 | 第49-51页 |
| 第三章 基于过完备离散小波基稀疏编码的无监督故障特征提取及其在智能故障诊断中的应用 | 第51-71页 |
| 3.1 引言 | 第51-52页 |
| 3.2 本章相关稀疏理论介绍 | 第52-56页 |
| 3.2.1 稀疏表达求解算法 | 第52页 |
| 3.2.2 基于过完备离散小波的冗余字典表示 | 第52-56页 |
| 3.3 基于过完备离散小波的故障特征提取 | 第56-58页 |
| 3.3.1 TQWT分解尺度的确定 | 第56页 |
| 3.3.2 稀疏小波能量特征SWE的提取 | 第56-58页 |
| 3.3.3 基于SWE特征的智能故障诊断实现步骤 | 第58页 |
| 3.4 仿真实验 | 第58-61页 |
| 3.4.1 轴承故障振动信号仿真模型的建立 | 第58-59页 |
| 3.4.2 仿真信号的SWE特征提取 | 第59-60页 |
| 3.4.3 与其它方法的比较 | 第60-61页 |
| 3.5 工程实验验证 | 第61-67页 |
| 3.5.1 实验数据的分析介绍 | 第61-62页 |
| 3.5.2 轴承信号TQWT分解的参数确定 | 第62-63页 |
| 3.5.3 样本的SWE特征提取 | 第63-66页 |
| 3.5.4 基于SWE特征的智能故障诊断 | 第66-67页 |
| 3.6 讨论 | 第67-68页 |
| 3.7 本章小结 | 第68-71页 |
| 第四章 基于结构稀疏的有监督特征提取 | 第71-85页 |
| 4.1 引言 | 第71-72页 |
| 4.2 结构稀疏表示 | 第72-74页 |
| 4.2.1 结构稀疏问题简介 | 第72页 |
| 4.2.2 结构稀疏的解法 | 第72-74页 |
| 4.3 基于结构稀疏表达的特征提取方案 | 第74-76页 |
| 4.4 实验分析 | 第76-82页 |
| 4.4.1 轴承实验Ⅰ | 第76-79页 |
| 4.4.2 轴承实验Ⅱ | 第79-82页 |
| 4.5 讨论 | 第82-83页 |
| 4.6 本章小结 | 第83-85页 |
| 第五章 流形结构的稀疏表达及轴承故障特征提取 | 第85-101页 |
| 5.1 引言 | 第85-86页 |
| 5.2 流形算法介绍 | 第86-88页 |
| 5.2.1 流形算法的思想 | 第86-87页 |
| 5.2.2 流形学习算法的线性化近似方法 | 第87-88页 |
| 5.3 流形结构的稀疏表达方法 | 第88-91页 |
| 5.3.1 从矩阵分解到流形稀疏表达 | 第88-90页 |
| 5.3.2 基于图嵌入的稀疏表达字典学习 | 第90-91页 |
| 5.3.3 稀疏系数的求解 | 第91页 |
| 5.4 基于流形图嵌入稀疏表达的滚动轴承故障特征提取 | 第91-93页 |
| 5.4.1 图嵌入权重矩阵W的建立 | 第91-92页 |
| 5.4.2 数据的处理 | 第92-93页 |
| 5.4.3 基于流形稀疏特征提取的故障诊断流程 | 第93页 |
| 5.5 实验分析 | 第93-99页 |
| 5.5.1 数据介绍及样本展示 | 第93-94页 |
| 5.5.2 ManiSC处理结果 | 第94-96页 |
| 5.5.3 对比与讨论 | 第96-99页 |
| 5.6 本章小结 | 第99-101页 |
| 第六章 针对滚动轴承的基于稀疏深度信念算法的分模块故障诊断网络 | 第101-119页 |
| 6.1 引言 | 第101-102页 |
| 6.2 小波包和特征提取 | 第102-104页 |
| 6.2.1 小波包变换 | 第102-103页 |
| 6.2.2 小波包能量特征 | 第103-104页 |
| 6.3 稀疏深度信念网络 | 第104-108页 |
| 6.3.1 受限玻尔兹曼机 | 第104-107页 |
| 6.3.2 深度信念网络 | 第107页 |
| 6.3.3 稀疏深度信念网络 | 第107-108页 |
| 6.3.4 稀疏深度信念网络在故障诊断中的应用 | 第108页 |
| 6.4 分模块故障诊断系统 | 第108-110页 |
| 6.4.1 分模块故障诊断网络的搭建步骤 | 第109-110页 |
| 6.4.2 分模块故障诊断网络的分类准确率 | 第110页 |
| 6.5 滚动轴承故障诊断实验分析 | 第110-116页 |
| 6.5.1 实验数据的分析介绍 | 第110-113页 |
| 6.5.2 多模块故障诊断网络的分类结果 | 第113-116页 |
| 6.6 讨论 | 第116-117页 |
| 6.7 本章小结 | 第117-119页 |
| 第七章 总结与展望 | 第119-123页 |
| 7.1 全文工作总结 | 第119-120页 |
| 7.2 主要创新点 | 第120-121页 |
| 7.3 展望 | 第121-123页 |
| 参考文献 | 第123-131页 |
| 在读期间发表的学术论文与取得的研究成果 | 第131-133页 |
| 致谢 | 第133页 |
