第1章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1传统基于特征提取的故障诊断方法
1.2.2基于深度学习的轴承故障诊断方法研究现状
1.3 本文主要研究内容
第2章 相关理论基础
2.1 概述
2.2连续小波变换
2.3卷积神经网络
2.3.1卷积神经网络简介
2.3.2卷积神经网络分类原理
2.4 卷积自编码器
2.4.1标准自编码器
2.4.2 深度卷积自编码器
2.5本章小结
第3章 基于DCAE的时频图去噪方法
3.1 概述
3.2基于小波变换的时频图样本集的构造
3.3 DCAE去噪网络的设计
3.3.1网络层数的确定
3.3.2 卷积核数量的确定
3.3.3 损失函数的确定
3.4时频图去噪实例
3.5 本章小结
第4章 基于DCAE-CNN的滚动轴承故障诊断方法
4.1 概述
4.2 诊断流程
4.3 CNN分类网络的设计
4.3.1 卷积层数量的确定
4.3.2 卷积核数量的确定
4.3.3 学习率的确定
4.3.4 批量尺寸的确定
4.4实验结果与分析
4.4.1 硬件与软件环境配置
4.4.2 诊断实例
4.4.3 与其它方法对比
4.4.4 其它数据集的测试
4.5 本章小结
第5章 总结与展望
5.1 工作总结
5.2 工作展望
参考文献
攻读硕士学位期间参与的科研项目
致谢
声明
