首页--工业技术论文--机械、仪表工业论文--机械运行与维修论文

基于深度学习的机械故障诊断方法研究

摘要第3-5页
Abstract第5-6页
第1章 绪论第9-17页
    1.1 课题的提出及其研究意义第9-10页
    1.2 深度学习国内外研究现状第10-12页
    1.3 深度学习在机械故障诊断中的研究现状第12-14页
    1.4 本文主要内容及创新之处第14-16页
        1.4.1 主要内容第14-15页
        1.4.2 关键问题及创新之处第15-16页
    1.5 本章小结第16-17页
第2章 基于深度信念网络的轴承故障诊断方法第17-29页
    2.1 引言第17-18页
    2.2 深度信念网络第18-22页
        2.2.1 前向堆叠过程第19-21页
        2.2.2 后向微调过程第21-22页
    2.3 故障分类模型的建立第22-23页
    2.4 实验验证第23-27页
    2.5 本章小结第27-29页
第3章 基于BN-WCNN卷积神经网络的故障诊断方法研究第29-41页
    3.1 引言第29-32页
    3.2 BN-WCNN卷积神经网络第32-35页
        3.2.1 BN层的正向传播第33-34页
        3.2.2 BN层的反向求导第34-35页
    3.3 基于BN-WCNN网络的故障诊断模型建立第35-36页
    3.4 实验研究第36-40页
    3.5 本章小结第40-41页
第4章 基于降噪自编码机的旋转机械故障诊断方法研究第41-50页
    4.1 引言第41-42页
    4.2 降噪自动编码机第42-44页
        4.2.1 降噪自动编码机模型第42-44页
        4.2.2 深度神经网络(DeepNeualNetwork,DNN)第44页
    4.3 基于降噪自编码机的故障诊断模型第44-45页
    4.4 实验研究第45-49页
    4.5 本章小结第49-50页
第5章 基于全矢谱-DNN的轴承故障预测方法研究第50-61页
    5.1 引言第50-51页
    5.2 全矢谱理论第51-55页
    5.3 基于全矢谱-DNN的机械故障预测方法第55-56页
    5.4 实验研究第56-60页
    5.5 本章小结第60-61页
第6章 总结与展望第61-63页
    6.1 总结第61-62页
    6.2 展望第62-63页
参考文献第63-68页
攻读硕士学位期间参加科研情况第68-69页
致谢第69-70页

论文共70页,点击 下载论文
上一篇:高效可倾瓦轴承动静态特性分析
下一篇:一维/二维系统多通道故障的诊断与补偿