声明
1 绪论
1.1 选题背景和意义
1.2 深度学习概述
1.2.1 深度学习相关的公开数据集
1.2.2 深度学习网络模型
1.3 故障诊断国内外研究现状
1.4 论文主要研究内容
2 CNN和DBN理论基础
2.1 卷积神经网络原理
2.1.1 卷积层
2.1.2 池化层
2.1.3 激活层
2.2 CNN结构与训练过程
2.2.1 CNN结构
2.2.2 CNN训练过程
2.3 深度信念网络原理
2.3.1 RBM预训练
2.3.2 BP神经网络微调
2.4 DBN结构与训练过程
2.5 本章小结
3 变速器振动数据集建立
3.1 变速器常见故障形式及成因
3.1.1 变速器制造故障
3.1.2 变速器疲劳故障
3.2 振动信号处理方法
3.2.1 时频域统计指标
3.2.2 转速谱阵图
3.3 变速器台架试验设置
3.4 数据集的建立
3.4.1 数据集的处理过程
3.4.2 数据集的属性
3.4.3 数据集部分展示
3.5 本章小结
4 基于CNN和DBN的故障数据分类识别
4.1 基于CNN对转速谱阵图的分类识别
4.1.1 AlexNet、GoogLeNet、ResNet卷积神经网络
4.1.2 三种卷积神经网络实验环境
4.1.4 三种卷积神经网络实验参数设置
4.1.5 三种卷积神经网络实验过程与结果分析
4.2 基于CNN对原始振动数据的分类识别
4.2.1 基于残差模块的CNN网络
4.2.2 基于残差模块的CNN网络实验参数设置
4.2.3 基于残差模块的CNN网络实验过程和结果分析
4.3 基于DBN对时频域统计指标的分类识别
4.3.1 基于DBN的时频域统计指标分类网络
4.3.2 基于DBN的时频域统计指标分类网络的实验参数设置
4.3.3 基于DBN的时频域统计指标分类网络的实验过程和结果分析
4.4 本章小结
5 ResNetC转速谱阵图分类识别模型优化
5.1 ResNetC网络可视化分析
5.2 ResNetC网络优化
5.2.1 ResNetC网络架构优化
5.2.2 ResNetC_V2网络超参数优化
5.3 迁移学习
5.3.1 迁移学习数据集准备
5.3.2 迁移学习参数设置
5.3.3 迁移学习实验结果
5.4 小结
6 总结和展望
6.1 全文总结
6.2 研究展望
致谢
参考文献
个人简历、在学期间发表的学术论文及取得的研究成果
重庆理工大学;