声明
致谢
1 绪论
1.1 研究背景及意义
1.2滚动轴承故障机理
1.3 国内外研究现状
1.3.1 信号处理及特征提取
1.3.2 故障模式识别
1.4 研究内容
1.5论文章节安排
2 特征提取与滚动轴承故障诊断方法
2.1 故障特征人工构建
2.1.1 时域特征
2.1.2 频域特征
2.1.3 时频域特征
2.2 两种故障分类算法
2.2.1 神经网络
2.2.1 支持向量机
2.3 算法性能测试
2.3.1 西储大学轴承实验数据集
2.3.2 特征提取与降维
2.3.3 两种故障分类算法比较
2.4 本章小结
3 基于稀疏自动编码器的滚动轴承故障诊断算法
3.1 稀疏自动编码器与自动特征提取
3.1.1 自动编码器与特征提取
3.1.2 稀疏自动编码器
3.2 稀疏自动编码器参数确定策略
3.3 基于FSAE与SVM的滚动轴承智能故障诊断算法
3.4 实验测试
(1)基于FSAE 特征提取模型有效性验证
(2)基于FSAE 与SVM 结合的滚动轴承故障诊断算法有效性验证
3.5 本章小结
4 基于稀疏自动编码器的半监督滚动轴承故障诊断算法
4.1 滚动轴承故障诊断中的半监督算法
4.1.1 半监督支持向量机
4.1.2 协同训练与泛化性能提升
4.2 基于K近邻与SVM的半监督分类算法设计
4.2.1 基于K近邻的样本伪标注获取
4.2.2 KNN-SVM协同训练的半监督分类算法设计
4.3 基于稀疏自动编码器的半监督滚动轴承故障诊断算法
4.4 实验测试
4.5 本章小结
5 总结与展望
5.1 总结
5.2 展望
参考文献
作者简历
学位论文原创性声明
学位论文数据集