面向工业大数据的智能故障诊断方法研究
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究背景和意义 | 第11-13页 |
| 1.2 相关研究综述 | 第13-15页 |
| 1.3 本文的主要工作内容 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-17页 |
| 第二章 智能故障诊断 | 第17-30页 |
| 2.1 故障诊断简介 | 第17-20页 |
| 2.1.1 故障诊断的任务 | 第17页 |
| 2.1.2 故障诊断的基本原理 | 第17-18页 |
| 2.1.3 故障诊断流程 | 第18-20页 |
| 2.2 故障诊断方法 | 第20-22页 |
| 2.2.1 基于信号处理的方法 | 第20-21页 |
| 2.2.2 基于解析模型的方法 | 第21-22页 |
| 2.2.3 基于知识的智能故障诊断方法 | 第22页 |
| 2.3 神经网络 | 第22-24页 |
| 2.4 支持向量机 | 第24-27页 |
| 2.5 深度学习 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 WSVM-DNN算法 | 第30-41页 |
| 3.1 基于SVM的故障诊断算法 | 第30-31页 |
| 3.2 基于神经网络的故障诊断算法 | 第31-35页 |
| 3.3 基于深度学习的故障诊断算法 | 第35-36页 |
| 3.4 WSVM-DNN算法的整体框架 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 实验结果与分析 | 第41-59页 |
| 4.1 数据预处理 | 第41-46页 |
| 4.1.1 火箭发动机仿真故障数据 | 第41页 |
| 4.1.2 滚动轴承故障仿真 | 第41-43页 |
| 4.1.3 工业卧式离心电机泵故障 | 第43-46页 |
| 4.2 实验结果 | 第46-56页 |
| 4.2.1 基于SVM的故障诊断 | 第46-48页 |
| 4.2.2 基于BP ANN的诊断 | 第48-52页 |
| 4.2.3 基于DNN的故障诊断 | 第52-53页 |
| 4.2.4 基于WSVM-DNN的故障诊断 | 第53-56页 |
| 4.3 实验结果分析 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 结论与展望 | 第59-61页 |
| 5.1 结论 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文目录 | 第65-66页 |
| 学位论文评阅及答辩情况表 | 第66页 |
