深度自编码网络在滚动轴承故障诊断中的应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 滚动轴承故障诊断技术发展现状 | 第11-13页 |
| 1.2.1 滚动轴承故障机理 | 第11页 |
| 1.2.2 故障诊断研究现状 | 第11-13页 |
| 1.3 深度学习概述及研究现状 | 第13-18页 |
| 1.3.1 深度学习思想及基本模型 | 第13-16页 |
| 1.3.2 深度学习研究现状 | 第16-18页 |
| 1.4 本文主要研究内容和结构安排 | 第18-20页 |
| 第二章 深度自编码网络原理及其特征提取性能研究 | 第20-38页 |
| 2.1 深度自编码网络原理 | 第20-24页 |
| 2.1.1 反向传播算法 | 第20-21页 |
| 2.1.2 自动编码器 | 第21-23页 |
| 2.1.3 训练过程 | 第23-24页 |
| 2.2 基于DAE的信号特征提取性能研究 | 第24-26页 |
| 2.2.1 基于DAE的数据重构 | 第24-25页 |
| 2.2.2 与常用特征提取方法对比 | 第25-26页 |
| 2.3 仿真信号特征提取实验分析 | 第26-36页 |
| 2.3.1 仿真信号介绍 | 第26-29页 |
| 2.3.2 基于DAE的信号重构性能分析 | 第29-33页 |
| 2.3.3 特征分类性能对比分析 | 第33-36页 |
| 2.4 本章小结 | 第36-38页 |
| 第三章 深度自编码网络诊断模型及其关键参数研究 | 第38-49页 |
| 3.1 DAE诊断模型框架 | 第38-40页 |
| 3.2 模型关键结构参数研究 | 第40-48页 |
| 3.2.1 网络层数 | 第40-42页 |
| 3.2.2 隐藏层节点数组合分析 | 第42-48页 |
| 3.3 本章小结 | 第48-49页 |
| 第四章 深度自编码网络在滚动轴承故障诊断中的应用 | 第49-63页 |
| 4.1 滚动轴承故障振动数据说明 | 第49-50页 |
| 4.2 基于深度自编码网络的滚动轴承故障诊断 | 第50-57页 |
| 4.2.1 数据集划分 | 第50-52页 |
| 4.2.2 滚动轴承故障识别结果分析 | 第52-53页 |
| 4.2.3 特征提取结果可视化分析 | 第53-55页 |
| 4.2.4 与其他方法对比分析 | 第55-57页 |
| 4.3 不平衡训练样本下故障诊断结果及分析 | 第57-61页 |
| 4.4 本章小结 | 第61-63页 |
| 第五章 基于DAE迁移学习方法的滚动轴承故障诊断 | 第63-70页 |
| 5.1 滚动轴承故障模拟实验 | 第63-65页 |
| 5.2 基于DAE的滚动轴承故障诊断 | 第65页 |
| 5.3 基于DAE迁移学习方法的滚动轴承故障诊断 | 第65-69页 |
| 5.3.1 改进模型算法原理 | 第66页 |
| 5.3.2 改进模型性能分析 | 第66-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第六章 结论与展望 | 第70-72页 |
| 6.1 全文总结 | 第70-71页 |
| 6.2 研究展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间取得的成果 | 第79页 |
