基于深度学习网络的风机传动系统主要部件故障诊断的研究 |
论文目录 | | 摘要 | 第5-6页 | ABSTRACT | 第6-11页 | 第一章 绪论 | 第11-19页 | 1.1 课题研究背景及意义 | 第11-13页 | 1.2 国内外研究现状 | 第13-17页 | 1.2.1 风机传动系统故障诊断研究现状 | 第13-16页 | 1.2.2 深度学习的研究现状 | 第16-17页 | 1.3 本文的主要内容和结构安排 | 第17-19页 | 第二章 风机轴承与齿轮振动信号的预处理 | 第19-34页 | 2.1 引言 | 第19页 | 2.2 风机轴承与齿轮振动数据预处理内容 | 第19-23页 | 2.2.1 轴承振动数据获取实验介绍 | 第19-20页 | 2.2.2 齿轮振动数据获取实验介绍 | 第20-21页 | 2.2.3 振动数据多项式趋势项的去除 | 第21-22页 | 2.2.4 振动数据的平滑处理 | 第22-23页 | 2.3 轴承振动数据预处理实例 | 第23-28页 | 2.4 齿轮振动数据预处理实例 | 第28-33页 | 2.5 本章小结 | 第33-34页 | 第三章 基于深度学习网络的风机轴承及齿轮的故障诊断 | 第34-53页 | 3.1 引言 | 第34页 | 3.2 深度学习网络算法 | 第34-35页 | 3.2.1 深度学习的概念 | 第34-35页 | 3.2.2 浅层学习和深度学习 | 第35页 | 3.3 深度学习的常用方法 | 第35-38页 | 3.3.1 堆栈降噪自动编码器 | 第35-36页 | 3.3.2 深度信念网络 | 第36-37页 | 3.3.3 卷积深度信念网络 | 第37-38页 | 3.4 堆栈降噪自动编码器的具体学习 | 第38-41页 | 3.4.1 降噪自动编码器 | 第38-40页 | 3.4.2 堆栈降噪自动编码网络的参数 | 第40-41页 | 3.5 基于堆栈降噪自编码的轴承及齿轮的故障诊断 | 第41-52页 | 3.5.1 基于堆栈降噪自编码网络的轴承故障诊断的研究 | 第41-47页 | 3.5.2 基于堆栈降噪自编码网络的齿轮故障诊断的研究 | 第47-52页 | 3.6 本章小结 | 第52-53页 | 第四章 基于特征提取和深度学习网络的轴承及齿轮的故障诊断 | 第53-64页 | 4.1 引言 | 第53页 | 4.2 建立特征提取和深度学习网络的风机轴承及齿轮故障诊断模型 | 第53-63页 | 4.2.1 特征参数的提取 | 第53-56页 | 4.2.2 建立基于深度学习算法的故障诊断模型 | 第56页 | 4.2.3 样本的构成 | 第56页 | 4.2.4 实例分析 | 第56-60页 | 4.2.5 对比试验 | 第60-63页 | 4.3 本章小结 | 第63-64页 | 第五章 基于深度学习网络故障诊断原型系统的设计 | 第64-72页 | 5.1 引言 | 第64页 | 5.2 系统设计的总体方案 | 第64-66页 | 5.3 系统主要模块的设计与实现 | 第66-68页 | 5.3.1 用户登录模块 | 第66-68页 | 5.3.2 预处理模块 | 第68页 | 5.3.3 故障诊断模块 | 第68页 | 5.4 系统测试 | 第68-71页 | 5.4.1 系统的软硬件要求 | 第68-69页 | 5.4.2 系统主界面模块测试 | 第69页 | 5.4.3 数据预处理模块测试 | 第69-70页 | 5.4.4 深度学习直接诊断模块测试 | 第70页 | 5.4.5 深度学习特征提取诊断模块测试 | 第70-71页 | 5.5 本章小结 | 第71-72页 | 第六章 总结与展望 | 第72-74页 | 6.1 总结 | 第72页 | 6.2 展望 | 第72-74页 | 参考文献 | 第74-78页 | 致谢 | 第78-79页 | 攻读硕士学位期间取得的研究成果 | 第79页 |
|
|
|
| |