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 |