面向深度學習和大數(shù)據(jù)的軌道交通軸承故障智能診斷方法

第1章軌道交通軸承故障診斷概述
1.1軌道交通軸承故障診斷意義及內(nèi)容
1.1.1軌道交通軸承故障診斷意義
1.1.2軌道交通軸承故障診斷內(nèi)容
1.2軌道交通軸承故障診斷方法及其發(fā)展
1.2.1軸承故障診斷方法分類
1.2.2軸承振動信號故障診斷發(fā)展
1.3軌道交通軸承故障振動診斷方法
1.3.1基于振動信號分析的方法
1.3.2基于數(shù)據(jù)驅(qū)動的診斷方法
第2章軌道交通軸承結(jié)構(gòu)及振動機理
2.1軌道交通軸承結(jié)構(gòu)
2.1.1軌道交通運用軸承分類
2.1.2軌道交通軸承結(jié)構(gòu)分析
2.1.3軌道交通軸承故障表現(xiàn)
2.1.4軌道交通軸承故障原因
2.2軌道交通軸承振動機理
2.2.1滾動軸承的固有振動
2.2.2涉及軸承載荷及彈性的振動
2.2.3軸承制造或裝配不良引起的振動
2.2.4軸承各類故障引起的振動
第3章軌道交通軸承故障診斷技術(shù)概述
3.1軸承振動信號采集與預處理技術(shù)
3.1.1軸承振動信號采集技術(shù)
3.1.2軸承振動信號數(shù)據(jù)預處理技術(shù)
3.2軌道交通軸承故障特征提取技術(shù)
3.2.1軸承振動信號故障時域特征提取方法
3.2.2軸承振動信號故障頻域特征提取方法
3.2.3基于希爾伯特包絡分析故障特征提取方法
3.2.4基于小波包包絡分析故障特征提取方法
3.2.5基于經(jīng)驗模態(tài)分解故障特征提取方法
3.2.6基于局部均值分解故障特征提取方法
3.2.7基于變分模態(tài)分解故障特征提取方法
3.3軌道交通軸承故障特征選擇技術(shù)
3.3.1基于主成分分析的特征選擇方法
3.3.2基于線性判別分析的特征選擇方法
3.3.3基于信息熵的量化特征選擇方法
3.3.4基于自編碼器的特征選擇方法
3.4軌道交通軸承故障智能診斷技術(shù)
3.4.1人工神經(jīng)網(wǎng)絡
3.4.2支持向量機
3.4.3決策樹
3.4.4卷積神經(jīng)網(wǎng)絡
3.4.5深度信念網(wǎng)絡
3.4.6循環(huán)神經(jīng)網(wǎng)絡
第4章基于卷積神經(jīng)網(wǎng)絡的軸承故障診斷方法
4.1基于卷積神經(jīng)網(wǎng)絡軸承故障診斷工作原理
4.1.1基于卷積神經(jīng)網(wǎng)絡軸承故障診斷網(wǎng)絡結(jié)構(gòu)
4.1.2基于卷積神經(jīng)網(wǎng)絡軸承故障診斷建模機理
4.1.3基于卷積神經(jīng)網(wǎng)絡軸承故障診斷建模策略
4.2基于卷積神經(jīng)網(wǎng)絡的軸承故障診斷模型構(gòu)建方法
4.2.1基于卷積神經(jīng)網(wǎng)絡軸承故障診斷模型構(gòu)建流程
4.2.2一種基于WKCNN軸承故障診斷模型構(gòu)建算法
4.3基于卷積神經(jīng)網(wǎng)絡的軸承故障診斷模型實驗
4.3.1基于WKCNN軸承故障診斷數(shù)據(jù)源
4.3.2基于WKCNN軸承故障診斷模型構(gòu)建實驗
4.3.3基于WKCNN軸承故障診斷模型驗證實驗
第5章基于深度信念網(wǎng)絡的軸承故障診斷方法
5.1基于深度信念網(wǎng)絡故障診斷工作原理
5.1.1基于深度信念網(wǎng)絡的軸承故障診斷網(wǎng)絡結(jié)構(gòu)
5.1.2基于深度信念網(wǎng)絡的軸承故障診斷建模機理
5.2基于深度信念網(wǎng)絡的軸承故障診斷模型構(gòu)建
5.2.1基于深度信念網(wǎng)絡的軸承故障診斷模型構(gòu)建流程
5.2.2基于深度信念網(wǎng)絡的軸承故障診斷模型構(gòu)建算法
5.3基于深度信念網(wǎng)絡的軸承故障診斷模型實驗
5.3.1基于深度信念網(wǎng)絡的軸承故障診斷數(shù)據(jù)源
5.3.2基于深度信念網(wǎng)絡的軸承故障診斷模型構(gòu)建實驗
5.4一種基于MCELF的DBN軸承故障診斷加速方法
5.4.1基于MCELF的故障診斷加速方法
5.4.2基于MCELF的加速DBN故障診斷的模型構(gòu)建
算法
5.4.3基于MCELF的加速DBN故障診斷的模型實驗
第6章基于循環(huán)神經(jīng)網(wǎng)絡的軸承故障診斷方法
6.1基于循環(huán)神經(jīng)網(wǎng)絡故障診斷工作原理
6.1.1基于循環(huán)神經(jīng)網(wǎng)絡的軸承故障診斷網(wǎng)絡結(jié)構(gòu)
6.1.2基于循環(huán)神經(jīng)網(wǎng)絡的軸承故障診斷建模機理
6.1.3長短期記憶網(wǎng)絡LSTM工作原理
6.1.4門限循環(huán)單元GRU網(wǎng)絡工作原理
6.2基于循環(huán)神經(jīng)網(wǎng)絡的軸承故障診斷模型構(gòu)建
6.2.1基于循環(huán)神經(jīng)網(wǎng)絡的軸承故障診斷模型構(gòu)建流程
6.2.2一種基于LGL軸承故障診斷模型構(gòu)建算法
6.3基于循環(huán)神經(jīng)網(wǎng)絡的軸承故障診斷模型實驗
6.3.1基于LGL軸承故障診斷數(shù)據(jù)源
6.3.2基于LGL軸承故障診斷模型構(gòu)建實驗
6.3.3基于LGL軸承故障診斷模型驗證實驗
第7章基于集成學習的軸承故障智能診斷方法
7.1基于集成學習的故障診斷工作原理
7.1.1集成學習方法及Stacking算法
7.1.2基于集成學習的故障診斷網(wǎng)絡結(jié)構(gòu)
7.2基于集成學習的軸承故障診斷模型構(gòu)建
7.2.1基于集成學習的軸承故障診斷模型構(gòu)建方法
7.2.2基于集成學習的軸承故障診斷模型構(gòu)建流程
7.3基于集成學習的軸承故障診斷模型實驗
7.3.1基于集成學習的軸承故障診斷數(shù)據(jù)源
7.3.2基于集成學習軸承故障診斷模型構(gòu)建實驗
第8章基于遷移學習的變工況軸承故障智能診斷方法
8.1基于遷移學習的變工況軸承故障診斷工作原理
8.1.1基于遷移學習的變工況故障診斷網(wǎng)絡結(jié)構(gòu)
8.1.2一種改進彈性網(wǎng)正則化的遷移學習方法
8.2基于遷移學習的變工況軸承故障診斷模型構(gòu)建
8.2.1基于遷移學習的變工況軸承故障診斷模型構(gòu)建
流程
8.2.2基于遷移學習的變工況軸承故障診斷模型構(gòu)建
算法
8.3基于遷移學習的變工況軸承故障診斷模型實驗
8.3.1變工況軸承故障診斷數(shù)據(jù)源
8.3.2變工況軸承故障診斷模型實驗
第9章基于大數(shù)據(jù)平臺的軸承故障智能診斷方法
9.1大數(shù)據(jù)Hadoop平臺工作原理
9.1.1Hadoop大數(shù)據(jù)平臺框架
9.1.2Hadoop分布式文件系統(tǒng)HDFS
9.1.3Hadoop分布式計算MapReduce
9.1.4Hadoop資源管理器Yarn
9.2基于Hadoop的軸承故障診斷平臺設計與實現(xiàn)
9.2.1基于Hadoop的軸承故障診斷平臺設計
9.2.2基于Hadoop的軸承故障診斷平臺實現(xiàn)
9.3基于Hadoop的軸承故障診斷實驗
9.3.1基于Hadoop分布式存儲的軸承故障診斷實驗
9.3.2基于Hadoop分布式計算的軸承故障診斷實驗
第10章軌道交通軸承故障智能診斷系統(tǒng)設計與實現(xiàn)
10.1軌道交通軸承故障智能診斷系統(tǒng)設計
10.1.1故障智能診斷系統(tǒng)平臺框架設計
10.1.2故障智能診斷系統(tǒng)平臺功能設計
10.2軌道交通軸承故障智能診斷系統(tǒng)實現(xiàn)
10.2.1故障智能診斷系統(tǒng)實現(xiàn)技術(shù)框架
10.2.2軸承故障智能診斷系統(tǒng)核心模塊展示
參考文獻
附錄英文縮略詞及術(shù)語