声明
致谢
1 引言
1.1 研究意义与课题背景
1.2 滚动轴承故障诊断的研究现状
1.2.1基于传统信号处理方法的故障诊断
1.2.2 智能故障诊断方法
1.3 时间序列分类方法综述
1.4 本文主要研究内容
2 基于shapelets的时间序列分类方法
2.1 shapelets的起源与意义
2.2 shapelets暴力发现算法
2.3 基于 shapelets 的时间序列分类方法
2.3.1 shapelets学习算法模型的建立
2.3.2 shapelets分类算法原理
2.4 基于机器学习的全局 shapelets发现算法
2.5 基于 CWRU数据集的 shapelets诊断方案验证
2.5.1 CWRU数据集介绍
2.5.2 基于 CWRU数据集的轻度故障-正常轴承模型验证
2.6 本章小结
3 动车组轴承故障采集实验及数据前处理
3.1 动车组轴箱轴承故障数据采集实验
3.1.1 轴箱轴承常见故障分析
3.1.2 动车组轴承故障数据采集实验
3.2 动车组走行部轴承故障诊断系统
3.2.1 简易诊断机理
3.2.2 诊断系统软硬件配置
3.3 数据前处理
3.4 本章小结
4 基于shapelets的动车组轴箱轴承故障诊断验证
4.1 诊断模型配置
4.1.1 诊断模型参数选择
4.1.2 超平面参数个数选择
4.1.3 机器学习分类结果的评价指标
4.2 基于 shapelets 的诊断模型与卷积神经网络模型的比较
4.3 诊断模型的泛化能力提升
4.3.1 模型泛化能力方面的不足
4.3.2 提升泛化能力的方法
4.3.3 诊断模型泛化能力提升验证
4.4 本章小结
5 结论与展望
5.1 研究结论
5.2 研究展望
参考文献
附录 A
作者简历及攻读硕士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;