第一个书签之前
第一章 绪论
1.1 课题的研究目的及意义
1.2 滚动轴承诊断技术的发展
1.2.1 故障诊断中的信号处理技术
1.2.2 轴承故障诊断技术的发展
1.3 神经网络与深度学习的发展
1.3.1 神经网络
1.3.2 深度学习
1.4 论文研究内容和章节安排
1.4.1 研究内容
1.4.2 论文章节安排
第二章 小波分析理论及其应用
2.1 傅里叶变换
2.2 小波分析基本理论
2.2.1 连续小波变换
2.2.2 连续小波变换的离散化
2.2.3 多分辨率分析与Mallat算法
2.3 小波包变换
2.3.1 小波包定义
2.3.2 小波包算法实现
2.3.3 小波包分解与重构实验
2.4 小波包分解层数确定
2.5 小波基函数的选择
2.5.1 小波基函数选择原则
2.5.2 基于熵值最小原则的小波基函数选择
2.6 工程数据的小波包分解
2.6.1 数据来源
2.6.2 小波包分解流程图
2.6.3 内圈损伤故障的小波包分解
2.7 本章小结
第三章 基于BP神经网络的诊断方法
3.1 概述
3.2 神经网络基本结构
3.2.1 单输入神经元
3.2.2 多输入神经元
3.3 传输函数
3.3.1 阈值型传输函数
3.3.2 线性传输函数
3.3.3 S型传输函数
3.4 BP神经网络
3.4.1 BP网络性质
3.4.2 BP网络层数选择
3.4.3 隐藏层节点数目
3.5 基于BP网络的分类识别方法
3.5.1 计算机配置
3.5.2 BP网络分类方法
3.5.3 仿真实验
3.6 工程应用
3.6.1 损伤程度分类
3.6.2 故障类别分类
3.7 本章小结
第四章 RBM深度学习网络理论
4.1 深度学习概述
4.2 深度学习模型
4.2.1 深度信念网络
4.2.2 卷积神经网络
4.2.3 递归神经网络
4.3 RBM深度学习算法
4.3.1 RBM基本模型
4.3.2 Gibbs采样
4.3.3 基于对比散度的RBM快速学习算法
4.3.4 隐层节点个数确定规则
4.4 仿真实验
4.4.1 基于原始信号的RBM网络
4.4.2 基于小波包能量的RBM网络
4.5 本章小结
第五章 基于RBM网络的滚动轴承故障识别
5.1 基于多层RBM网络的故障识别框架
5.2 信号的特征提取与分类
5.2.1 小波包分解降维
5.2.2 RBM网络分类方法
5.3 基于RBM网络的故障诊断
5.3.1 损伤程度识别
5.3.2 故障识别
5.4 基于RBM网络的轴承状态预测
5.4.1 数据来源
5.4.2 基于RBM网络的轴承故障预测方法
5.4.3 工程实验
5.5 本章小结
第六章 结论与展望
6.1 研究工作总结
6.2 研究工作展望
参考文献
攻读学位期间取得的研究成果
致 谢
长安大学;
