声明
第 1 章 绪 论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 齿轮箱故障诊断研究现状
1.2.2 深度学习发展历程及研究现状
1.2.3 深度学习在故障诊断领域的研究现状
1.3 本文结构与主要研究内容
第 2 章 深度置信网络原理及参数效能分析
2.1 深度置信网络基本原理
2.1.1 受限玻尔兹曼机
2.1.2 深度置信网络基本结构
2.1.3 前向贪婪学习
2.1.4 后向微调
2.2 DBN不同参数的效能影响分析
2.2.1 网络层数的影响分析
2.2.2 迭代次数和Batchsize值的影响分析
2.2.3 训练样本划分比例的影响分析
2.2.4 动量因子的影响分析
2.3 DBN超参数设置策略
2.4 本章小结
第 3 章 齿轮箱故障类型与诊断数据集
3.1 滚动轴承故障类型与信号特征
3.2 滚动轴承故障诊断数据集
3.3 齿轮故障类型与信号特征
3.4 齿轮主要故障实验
3.4.1 实验台介绍
3.4.2 测量方法分析
3.4.3 振动数据采集系统设计
3.5 齿轮故障诊断数据集
3.6 本章小结
第 4 章 基于VMD算法的DBN轴承故障诊断方法
4.1 变分模态分解算法
4.1.1 VMD原理
4.1.2 算法步骤
4.2 基于VMD算法的故障特征提取
4.2.1 VMD能量熵
4.2.2 时域和频域统计特征
4.3 基于特征距离评估的特征选择
4.4 基于VMD算法的DBN故障诊断流程
4.5 实验结果及对比分析
4.6 本章小结
第 5 章 基于小波降噪的DBN齿轮故障诊断方法
5.1 小波降噪原理
5.1.1 理论基础
5.1.2 实施步骤
5.2 深度置信重构网络
5.2.1 重构网络结构
5.2.2 仿真信号重构分析
5.3 基于小波降噪的DBN故障诊断流程
5.4 实验结果及对比分析
5.4.1 单一工况诊断
5.4.2 多工况诊断
5.5 本章小结
第 6 章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
攻读学位期间获得与学位论文相关的科研成果
武汉理工大学;