基于深度信念网络与多传感器信息融合的滚动轴承故障诊断研究

声明

摘要

第1章 绪论

1．1 课题来源

1．2 选题背景

1．3 滚动轴承故障诊断研究现状及存在问题分析

1．3．1 基于信号处理的滚动轴承故障诊断方法

1．3．2 基于数理统计的滚动轴承故障诊断方法

1．3．3 基于知识学习的滚动轴承智能诊断方法

1．3．4 基于信息融合的滚动轴承故障诊断方法

1．4 本文研究工作总体框架

第2章 滚动轴承故障诊断机理及试验系统

2．1 滚动轴承故障诊断机理分析

2．1．1 滚动轴承的结构

2．1．2 滚动轴承的故障特征频率

2．2 滚动轴承故障试验系统

2．2．1 轴承故障试验台

2．2．2 故障设置与数据采集系统

2．3 本章小结

第3章 基于非线性复杂度分析指标的滚动轴承故障特征提取方法

3．1 引言

3．2 非线性复杂度分析指标

3．2．1 LZC指标

3．2．2 PE指标

3．2．3 仿真分析

3．2．4 应用实例

3．3 基于小波包分解-LZC指标的故障特征提取方法

3．3．1 小波包分解

3．3．2 水平方向故障特征提取方法

3．4 基于EEMD分解-PE指标的故障特征提取方法

3．4．1 集成经验模态分解

3．4．2 垂直方向故障特征提取方法

3．5 基于类内类间散度矩阵的故障特征维数评价方法

3．5．1 故障特征维数评价方法

3．5．2 故障特征维数评价方法的应用

3．6 本章小结

第4章 基于GA-PSO杂交算法优化的深度信念网络分类器设计

4．1 引言

4．2 受限玻尔兹曼机

4．2．1 RBM网络结构

4．2．2 对比散度算法

4．3 深度信念网络

4．3．1 预训练过程

4．3．2 调优过程

4．4 基于GA-PSO杂交寻优的深度信念网络参数优化算法

4．4．1 适应度函数构造方法以及训练集数据划分策略

4．4．2 GA算法理论

4．4．3 PSO算法理论

4．4．4 GA-PSO杂交算法

4．5 本章小结

第5章 基于深度信念网络与D-S证据理论的分级容错故障诊断方法

5．1 引言

5．2 D-S证据理论

5．3 基于分类器可信度的基本概率分配函数构造方法

5．4 分级容错诊断框架的建立

5．4．1 诊断框架

5．4．2 诊断正确率

5．5 分级容错故障诊断框架诊断结果

5．5．1 第一层诊断结果

5．5．2 第二层诊断结果

5．6 与支持向量机作为分类器的诊断结果对比分析

5．7 本章小结

第6章 结论与展望

6．1 全文工作总结

6．2 未来研究展望

参考文献

攻读硕士学位期间发表的学术论文及其他科研成果

致谢