声明
第1章 绪 论
1.1 研究背景及目的意义
1.2 国内外研究现状
1.2.1 传统智能故障诊断方法
1.2.2 深度学习智能诊断方法
1.2.3 变工况下故障诊断方法
1.3 本文研究的主要内容
第2章 深度学习及相关理论
2.1 深度学习基本原理
2.1.1 深度学习基本模型结构
2.1.2 深度学习的训练过程
2.2 深度学习的优势
2.3 注意力机制
2.3.1 编码器-解码器结构
2.3.2 注意力机制算法
2.3.3 注意力作用原理
2.4 本章小结
第3章 卷积神经网络模型的研究及其改进
3.1 卷积神经网络应用基础
3.2 卷积神经网络
3.2.1 卷积层
3.2.2 激活层
3.2.3 池化层
3.2.4 批量归一化层
3.2.5 全连接层
3.2.6 目标函数
3.3 卷积神经网络的误差反向传播
3.3.1 全连接层的反向求导
3.3.2 池化层的反向求导
3.3.3 卷积层的反向求导
3.3.4 批量归一化层的反向求导
3.4 Adam优化算法
3.5.1 注意力机制结构
3.5.2 注意力机制层的反向求导
3.6 本章小结
第4章 变工况下滚动轴承多状态故障诊断
4.1 实验环境及数据来源
4.2 数据增强
4.3 注意力机制CNN的超参数设计准则
4.4.1 实验参数设置
4.4.2 基于ATT-CNN的滚动轴承故障诊断流程
4.4.3 实验数据集设置方案
4.4.4 实验结果分析
4.5 本章小结
结论
参考文献
攻读硕士学位期间发表的学术论文及获得成果
致谢
