基于深度学习的滚动轴承健康评估与剩余寿命预测研究
声明
中文摘要
英文摘要
目录
缩写符号注释
第1章 绪论
1.1课题背景和研究意义
1.2 国内外研究现状
1.2.1 滚动轴承健康指标建立的研究现状
1.2.2 剩余寿命预测的研究现状
1.2.3 现有研究存在的不足
1.3 论文研究内容和章节安排
第2章 基于深度自编码网络的滚动轴承健康指标构建方法研究
2.1 引言
2.2 基本理论
2.2.1 单层自编码网络
2.2.2 基于最小量化误差的健康指标构建方法
2.3 深度自编码网络的滚动轴承健康指标构建方法
2.3.1 深度自编码网络
2.3.2 健康指标评价准则
2.4 实例验证
2.5 本章小结
第3章 基于深度卷积神经网络的滚动轴承健康指标构建方法研究
3.1 引言
3.2 一维卷积神经网络的基本理论
3.2.1 一维卷积
3.2.2 一维池化
3.2.3 卷积神经网络的反向传播算法
3.3 基于深度卷积神经网络的滚动轴承健康指标构建方法
3.3.1 深度卷积神经网络的构建
3.3.2 指数衰减学习率
3.3.3 动量
3.3.4 趋势毛刺校正
3.4 实例验证
3.5 本章小结
第4章 考虑阶段退化的滚动轴承健康指标构建方法研究
4.1 引言
4.2 网络优化算法基本理论
4.2.1 Adam 算法
4.2.2 Dropout技术
4.3 考虑阶段退化基于卷积神经网络的滚动轴承健康指标构建方法
4.3.1 阶段退化
4.3.2 多项式衰减学习率
4.4 实例验证
4.5 本章小结
第5章 基于深度双向门控循环单元网络的滚动轴承剩余寿命预测方法研究
5.1 引言
5.2 门控循环单元网络的基本理论
5.2.1 循环神经网络的基本理论
5.2.2 GRU模型
5.3深度双向门控循环单元网络的滚动轴承剩余寿命预测
5.3.1 深度双向门控循环单元网络
5.3.2 Bootstrap方法
5.4 实例验证
5.5 本章小结
第6章 滚动轴承健康评估与剩余寿命预测应用研究
6.1 引言
6.2 实验概述
6.2.1 轴承强化实验台
6.2.2 实验轴承及测试条件
6.2.3 数据采集系统和测试系统
6.2.4 实验方案和操作流程
6.3 实例应用研究
6.3.1 基于深度自编码网络的滚动轴承健康指标构建方法验证
6.3.2 基于深度卷积神经网络的滚动轴承健康指标构建方法验证
6.3.3 考虑阶段退化的滚动轴承健康指标构建方法验证
6.3.4 深度双向门限循环单元网络的滚动轴承剩余寿命预测方法验证
6.4 本章小结
第7章 总结与展望
7.1 全文工作总结
7.2 研究展望
参考文献
致 谢
攻读博士学位期间取得的研究成果
相关知识
多特征融合深度学习的滚动轴承剩余寿命预测方法研究
基于深度学习的锂电池剩余寿命预测
基于数据驱动的锂离子电池健康状态估计及剩余寿命预测研究.docx
锂离子电池健康评估及剩余使用寿命预测方法研究.pptx
锂离子电池健康状态估计及剩余寿命预测研究
基于机器学习的锂离子电池健康状态与剩余寿命预测
基于贝叶斯理论的航空发动机健康状态评估与剩余寿命区间预测
电池寿命预测与健康状态评估技术研究
电池寿命预测与健康评估.pptx
锂离子电池健康状态评估及剩余寿命预测方法研究
网址: 基于深度学习的滚动轴承健康评估与剩余寿命预测研究 https://m.trfsz.com/newsview1614632.html
