| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究的背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 目前研究存在的问题 | 第13-14页 |
| 1.4 论文研究的主要内容 | 第14-15页 |
| 1.5 论文整体结构框架 | 第15-17页 |
| 第二章 相关理论技术介绍 | 第17-27页 |
| 2.1 故障诊断技术 | 第17-19页 |
| 2.1.1 时域分析技术 | 第17-18页 |
| 2.1.2 时频分析技术 | 第18-19页 |
| 2.2 人工免疫算法 | 第19-20页 |
| 2.2.1 免疫特性 | 第19-20页 |
| 2.2.2 克隆选择算法 | 第20页 |
| 2.3 深度学习理论 | 第20-25页 |
| 2.3.1 深度置信网络原理 | 第21-22页 |
| 2.3.2 卷积神经网络原理 | 第22-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 自适应的DCNN故障诊断模型 | 第27-41页 |
| 3.1 Sel-DCNN模型整体架构 | 第27-28页 |
| 3.2 DCNN故障诊断模型构建和训练 | 第28-33页 |
| 3.2.1 DCNN故障诊断模型参数选择 | 第28-30页 |
| 3.2.2 DCNN输入时域和频域信号大小选择 | 第30-31页 |
| 3.2.3 DCNN时域和频域故障诊断模型设计 | 第31-32页 |
| 3.2.4 DCNN模型训练 | 第32-33页 |
| 3.3 故障诊断 | 第33-36页 |
| 3.3.1 已知故障诊断 | 第33-34页 |
| 3.3.2 未知故障诊断 | 第34-36页 |
| 3.4 未知故障学习 | 第36-39页 |
| 3.4.1 免疫组件定义 | 第36-38页 |
| 3.4.2 抗体免疫学习 | 第38-39页 |
| 3.5 自适应DCNN检测 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于DCNN分组克隆策略的快速故障诊断模型 | 第41-51页 |
| 4.1 DCNN-GCS策略的故障诊断模型 | 第41-42页 |
| 4.2 故障检测 | 第42-43页 |
| 4.2.1 结果可靠性评估 | 第42-43页 |
| 4.2.2 故障确定性检测 | 第43页 |
| 4.3 分组克隆策略在线学习 | 第43-48页 |
| 4.3.1 基本组件定义 | 第43-45页 |
| 4.3.2 分组克隆规则 | 第45-46页 |
| 4.3.3 连续区域变异操作 | 第46页 |
| 4.3.4 在线学习 | 第46-48页 |
| 4.4 DCNN分组克隆策略模型 | 第48-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 实验设计与分析 | 第51-65页 |
| 5.1 实验开发环境 | 第51页 |
| 5.2 数据来源和预处理 | 第51-54页 |
| 5.3 实验评价指标 | 第54页 |
| 5.4 实验主要内容 | 第54-59页 |
| 5.4.1 DCNN模型训练过程 | 第55-56页 |
| 5.4.2 Sel-DCNN诊断结果与分析 | 第56-57页 |
| 5.4.3 DCNN-GCS诊断结果与分析 | 第57-58页 |
| 5.4.4 深度卷积相关算法模型对比 | 第58页 |
| 5.4.5 算法模型检测效率对比 | 第58-59页 |
| 5.5 DCNN特征提取有效性验证 | 第59-60页 |
| 5.5.1 DCNN与特征提取技术对比 | 第59-60页 |
| 5.5.2 DCNN与深度置信网络对比 | 第60页 |
| 5.6 故障程度评估和自适应能力 | 第60-62页 |
| 5.6.1 DCNN故障程度评估 | 第60-61页 |
| 5.6.2 环境突变自适应能力 | 第61-62页 |
| 5.7 多监测点诊断实验 | 第62-63页 |
| 5.8 实时监测诊断 | 第63-64页 |
| 5.9 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 攻读硕士期间发表论文 | 第73页 |