论文目录 | |
| 摘要 | 第1-11页 |
| Abstract | 第11-16页 |
| 第1章 绪论 | 第16-26页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 滚动轴承故障诊断的研究现状 | 第17-19页 |
| 1.2.1 国外研究现状 | 第17-18页 |
| 1.2.2 国内研究现状 | 第18-19页 |
| 1.3 滚动轴承故障诊断方法概述 | 第19-23页 |
| 1.3.1 基于传统方法的滚动轴承故障诊断 | 第19-22页 |
| 1.3.2 基于深度学习的滚动轴承故障诊断 | 第22-23页 |
| 1.4 卷积神经网络 | 第23-24页 |
| 1.5 本文研究内容及组织结构 | 第24-26页 |
| 第2章 基于改进AlexNet的滚动轴承故障诊断 | 第26-39页 |
| 2.1 引言 | 第26页 |
| 2.2 AlexNet模型 | 第26-27页 |
| 2.2.1 AlexNet模型结构 | 第26-27页 |
| 2.2.2 softmax分类器 | 第27页 |
| 2.3 基于改进AlexNet的滚动轴承故障诊断 | 第27-32页 |
| 2.3.1 输入拓扑结构 | 第27-28页 |
| 2.3.2 改进AlexNet | 第28-30页 |
| 2.3.3 基于Adam的权值参数优化 | 第30-31页 |
| 2.3.4 方法步骤 | 第31-32页 |
| 2.4 实验与分析 | 第32-38页 |
| 2.4.1 实验数据集 | 第32-33页 |
| 2.4.2 模型结构参数选取 | 第33-35页 |
| 2.4.3 复杂工况下滚动轴承故障诊断性能分析 | 第35-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第3章 基于PSO-BFA和改进AlexNet的滚动轴承故障诊断 | 第39-48页 |
| 3.1 引言 | 第39-40页 |
| 3.2 细菌觅食算法 | 第40页 |
| 3.3 基于PSO-BFA和改进AlexNet的滚动轴承故障诊断 | 第40-43页 |
| 3.3.1 适应度函数 | 第41页 |
| 3.3.2 基于PSO-BFA的改进AlexNet相关参数寻优 | 第41-42页 |
| 3.3.3 方法步骤 | 第42-43页 |
| 3.4 实验与分析 | 第43-46页 |
| 3.4.1 实验数据 | 第43页 |
| 3.4.2 参数寻优 | 第43-44页 |
| 3.4.3 复杂工况下滚动轴承故障诊断性能分析 | 第44-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第4章 基于改进AlexNet特征迁移的滚动轴承故障诊断 | 第48-57页 |
| 4.1 引言 | 第48-49页 |
| 4.2 迁移学习 | 第49页 |
| 4.3 基于改进AlexNet特征迁移的滚动轴承故障诊断 | 第49-52页 |
| 4.3.1 迁移成分分析 | 第50-51页 |
| 4.3.2 改进AlexNet特征迁移 | 第51-52页 |
| 4.3.3 方法步骤 | 第52页 |
| 4.4 实验与分析 | 第52-56页 |
| 4.4.1 实验数据 | 第52-53页 |
| 4.4.2 模型结构参数 | 第53页 |
| 4.4.3 复杂工况下滚动轴承故障诊断性能分析 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 基于稀疏去噪和改进AlexNet特征迁移的滚动轴承故障诊断 | 第57-66页 |
| 5.1 引言 | 第57-58页 |
| 5.2 信号稀疏表示 | 第58页 |
| 5.3 基于稀疏去噪和改进AlexNet特征迁移的滚动轴承故障诊断 | 第58-62页 |
| 5.3.1 过完备字典构造 | 第58-59页 |
| 5.3.2 滚动轴承含噪振动信号的稀疏去噪 | 第59-61页 |
| 5.3.3 方法步骤 | 第61-62页 |
| 5.4 实验分析 | 第62-65页 |
| 5.4.1 实验数据及模型参数 | 第62页 |
| 5.4.2 复杂工况下滚动轴承故障诊断性能分析 | 第62-65页 |
| 5.5 本章小结 | 第65-66页 |
| 总结与展望 | 第66-69页 |
| 总结 | 第66-67页 |
| 展望 | 第67-69页 |
| 参考文献 | 第69-76页 |
| 致谢 | 第76-77页 |
| 附录 攻读硕士学位期间所发表的学术论文 | 第77页 |
