声明
1 绪论
1.1 课题背景及研究意义
1.1.1 课题来源
1.1.2 课题背景及意义
1.2 国内外研究进展
1.2.1 轴承故障诊断概述
1.2.2 深度学习概述
1.2.3 深度学习在故障诊断领域的应用现状
1.3 论文主要内容与章节安排
2 基于LSTM的轴承故障状态识别方法研究
2.1 引言
2.2 长短期记忆网络(LSTM)
2.3 基于LSTM的轴承故障状态识别模型
2.4 实验验证
2.4.1 实验数据集介绍
2.4.2 模型效果验证
2.4.3 泛化能力验证
2.5 本章小结
3 基于时频图像和2DCNN的轴承故障状态识别方法研究
3.1 引言
3.2 卷积神经网络(CNN)
3.3 基于时频图像和2DCNN的轴承故障状态识别模型
3.4 实验验证
3.4.1 模型效果验证
3.4.2 泛化能力验证
3.5 本章小结
4 基于1DCNN的轴承故障状态识别方法研究
4.1 引言
4.2 基于1DCNN的轴承故障状态识别模型
4.3 实验验证
4.3.1 模型效果验证
4.3.2 泛化能力验证
4.3.3 高噪声环境下的模型泛化能力实验
4.4 三种模型比较
4.5 本章小结
5 软件集成
5.1 开发环境介绍
5.1.1 PyCharm介绍
5.1.2 Flask介绍
5.1.3 Tensorflow介绍
5.2 软件系统后端设计及实现
5.3 软件系统前端设计及实现
5.4 本章小结
6 总结与展望
6.1 本文工作总结
6.2 下一步工作展望
（1）高噪声环境下轴承故障状态识别问题
（2）迁移学习问题
致谢
参考文献
