基于深度置信网络的船用齿轮箱故障诊断方法研究

目录

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