基于HHT和深度学习的船舶空压机故障诊断

目录

声明

第1章 绪论

1.1 课题背景与研究意义

1.2 国内外研究现状

1.2.1 机械以及空气压缩机故障诊断研究现状

1.2.2 HHT研究现状

1.2.3 卷积神经网络研究现状

1.2.4 循环神经网络研究现状

1.3 本文主要研究内容与结构

第2章 HHT理论与数据处理

2.1 引言

2.2 HHT理论

2.2.1 EMD分解和希尔伯特变换

2.2.2 EMD分解的缺陷

2.2.3 EEMD分解

2.3 数据采集

2.4 数据分析

2.5 数据集增强技术

2.5.1注入噪声

2.5.2 数据平移

2.5.3 数据集制作

2.6 本章小结

第3章 基于一维卷积神经网络的船舶空压机故障诊断

3.1 引言

3.2 卷积神经网络相关结构

3.2.1 卷积层

3.2.2 池化层

3.2.3 全连接层

3.2.4 激活函数

3.2.5 步长与填充（Padding）

3.3 目标函数、过拟合与欠拟合

3.4.1 全连接层向前传播算法

3.4.2 误差反向传播算法

3.4.3 池化层反向传播算法

3.4.4 卷积层反向传播算法

3.5 优化算法

3.6 TensorFlow

3.7 实验

3.8 本章小结

第4章 基于改进一维卷积神经网络的船舶空压机故障诊断

4.1 引言

4.2 批归一化

4.3 Dropout

4.4 队列，线程和进程

4.4.1 输入管道

4.4.2 TFRecord

4.4.3 队列

4.4.4 多线程

4.5 Adam优化算法

4.6 TensorBoard

4.7 实验

4.8 本章小结

第5章 基于长短期记忆神经网络的船舶空压机故障诊断

5.1 引言

5.2 循环神经网络（RNN）

5.2.1 RNN的正向传播

5.2.2 RNN的基于时间的反向传播（BPTT）

5.2.3 RNN的局限

5.3.1 LSTM结构

5.3.2 LSTM解决梯度消失问题

5.3.3 LSTM的应用

5.4 RMSProp 优化算法

5.5 实验

5.6 本章小结

第6章 基于改进EMD-CRNN的船舶空压机故障诊断

6.1 引言

6.2 改进EMD

6.3 t-SNE可视化

6.3.1 SNE理论

6.3.2 t-SNE理论

6.4 分布式计算

6.5 实验

6.6 本章小结

第7章 总结和展望

7.1 总结

7.2 展望

致谢

参考文献

在学期间科研成果情况