第1章緒論(1)1.1研究背景及意義(1)1.2國(guó)內(nèi)外研究現(xiàn)狀(2)1.2.1傳統(tǒng)非數(shù)據(jù)驅(qū)動(dòng)的診斷方法研究現(xiàn)狀(3)1.2.2基于數(shù)據(jù)驅(qū)動(dòng)的智能診斷方法研究現(xiàn)狀(3)本章參考文獻(xiàn)(9)第2章旋轉(zhuǎn)機(jī)械故障和小樣本智能診斷技術(shù)基礎(chǔ)理論(20)2.1機(jī)械故障介紹(20)2.1.1軸承結(jié)構(gòu)及常見故障(21)2.1.2齒輪結(jié)構(gòu)及常見故障(23)2.2小樣本智能診斷技術(shù)基礎(chǔ)知識(shí)(25)2.2.1基于數(shù)據(jù)增強(qiáng)的小樣本故障診斷方法(26)2.2.2基于模型的小樣本故障診斷方法(29)2.2.3基于半監(jiān)督學(xué)習(xí)的小樣本故障診斷方法(35)2.3本章小節(jié)(37)本章參考文獻(xiàn)(37)第3章基于數(shù)據(jù)增強(qiáng)的單工況齒輪箱小樣本故障診斷(41)3.1引言(41)3.2EEMD�睮CA降噪(42)3.2.1經(jīng)驗(yàn)?zāi)�態(tài)分解介紹(42)3.2.2獨(dú)立成分分析介紹(44)3.2.3EEMD�睮CA降噪模型構(gòu)建(45)3.3CVAE數(shù)據(jù)增強(qiáng)(47)3.3.1CVAE網(wǎng)絡(luò)介紹(47)3.3.2CVAE網(wǎng)絡(luò)設(shè)計(jì)(47)3.4實(shí)驗(yàn)結(jié)果和分析(50)3.4.1齒輪箱數(shù)據(jù)集介紹(50)3.4.2實(shí)驗(yàn)驗(yàn)證(51)3.5本章小節(jié)(54)本章參考文獻(xiàn)(55)第4章基于優(yōu)化元學(xué)習(xí)變工況齒輪箱小樣本故障診斷(56)4.1引言(56)4.2MAML算法介紹(56)4.3時(shí)間卷積網(wǎng)絡(luò)介紹(58)4.3.1因果卷積(58)4.3.2膨脹卷積(59)4.3.3殘差連接(60)4.3.4基于時(shí)間卷積網(wǎng)絡(luò)與優(yōu)化元學(xué)習(xí)的算法構(gòu)架(61)4.4實(shí)驗(yàn)結(jié)果和分析(62)4.5本章小節(jié)(64)本章參考文獻(xiàn)(65)第5章先驗(yàn)知識(shí)殘差收縮原型網(wǎng)絡(luò)小樣本故障診斷(66)5.1引言(66)5.2基礎(chǔ)知識(shí)及問題描述(67)5.2.1元學(xué)習(xí)(67)5.2.2問題描述(68)5.3先驗(yàn)知識(shí)殘差收縮原型網(wǎng)絡(luò)小樣本故障診斷算法(69)5.3.1算法的診斷過程(70)5.3.2殘差收縮網(wǎng)絡(luò)(70)5.3.3原型網(wǎng)絡(luò)(72)5.4實(shí)例驗(yàn)證(73)5.4.1實(shí)驗(yàn)設(shè)置(73)5.4.2案例1：齒輪箱數(shù)據(jù)故障診斷(75)5.4.3案例2：軸承數(shù)據(jù)故障診斷(78)5.4.4魯棒性分析(80)5.4.5可視化分析(82)5.5本章小節(jié)(84)本章參考文獻(xiàn)(84)第6章聯(lián)合遷移細(xì)粒度度量小樣本跨域故障診斷(87)6.1引言(87)6.2聯(lián)合遷移細(xì)粒度度量小樣本跨域故障診斷算法(88)6.2.1特征提取模塊(89)6.2.2細(xì)粒度度量模塊(90)6.2.3域遷移模塊(91)6.3實(shí)例驗(yàn)證(92)6.3.1案例1：不同工況下軸承的小樣本跨域診斷(93)6.3.2案例2：不同工況下軸承(CWRU)的小樣本跨域診斷(100)6.3.3案例3：不同工況下齒輪箱的小樣本跨域診斷(104)6.4本章小節(jié)(106)本章參考文獻(xiàn)(106)第7章基于元學(xué)習(xí)域?qū)�抗圖卷積網(wǎng)絡(luò)的跨域小樣本故障診斷(110)7.1引言(110)7.2基于元學(xué)習(xí)域?qū)�抗圖卷積網(wǎng)絡(luò)的跨域小樣本故障診斷算法(111)7.2.1基于圖的特征生成(113)7.2.2域自適應(yīng)對(duì)抗性訓(xùn)練(114)7.2.3可伸縮度量元學(xué)習(xí)(114)7.3實(shí)例驗(yàn)證(116)7.3.1數(shù)據(jù)集和跨域場(chǎng)景設(shè)置(116)7.3.2對(duì)比方法與消融驗(yàn)證(118)7.3.3實(shí)驗(yàn)結(jié)果分析(118)7.3.4解釋性分析(122)7.4本章小節(jié)(124)本章參考文獻(xiàn)(124)第8章自適應(yīng)半監(jiān)督元學(xué)習(xí)噪聲小樣本故障診斷(128)8.1引言(128)8.2基礎(chǔ)知識(shí)(129)8.3自適應(yīng)半監(jiān)督元學(xué)習(xí)噪聲小樣本故障診斷算法(130)8.3.1算法的診斷過程(130)8.3.2樣本級(jí)注意力(132)8.3.3自適應(yīng)度量(132)8.4實(shí)驗(yàn)驗(yàn)證(134)8.4.1實(shí)驗(yàn)設(shè)置(134)8.4.2案例1：齒輪箱數(shù)據(jù)故障診斷(134)8.4.3案例2：傳動(dòng)系統(tǒng)動(dòng)態(tài)模擬器故障診斷(137)8.4.4消融實(shí)驗(yàn)(140)8.4.5使用不同卷積層的診斷準(zhǔn)確率及物理意義分析(142)8.5本章小節(jié)(145)本章參考文獻(xiàn)(145)第9章基于半監(jiān)督原型優(yōu)化的小樣本故障診斷(149)9.1引言(149)9.2基礎(chǔ)知識(shí)(150)9.2.1監(jiān)督對(duì)比學(xué)習(xí)(150)9.2.2原型網(wǎng)絡(luò)(151)9.3基于半監(jiān)督原型優(yōu)化的小樣本故障診斷算法(152)9.3.1數(shù)據(jù)集構(gòu)造(152)9.3.2基于對(duì)比學(xué)習(xí)的預(yù)訓(xùn)練(153)9.3.3基于半監(jiān)督的原型計(jì)算和優(yōu)化(154)9.4實(shí)例驗(yàn)證(157)9.4.1數(shù)據(jù)集介紹(157)9.4.2對(duì)比實(shí)驗(yàn)(158)9.4.3消融實(shí)驗(yàn)(160)9.4.4異常樣本干擾實(shí)驗(yàn)(161)9.5本章小節(jié)(163)本章參考文獻(xiàn)(163)第10章半監(jiān)督對(duì)比學(xué)習(xí)的多工況小樣本故障診斷(165)10.1引言(165)10.2時(shí)序數(shù)據(jù)增強(qiáng)方法(166)10.3無監(jiān)督對(duì)比網(wǎng)絡(luò)(167)10.4診斷模型介紹(168)10.4.1對(duì)比學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)(169)10.4.2半監(jiān)督學(xué)習(xí)損失構(gòu)建(172)10.4.3算法流程(173)10.5實(shí)例驗(yàn)證(174)10.5.1單工況下模型對(duì)比實(shí)驗(yàn)(174)10.5.2跨工況下模型對(duì)比實(shí)驗(yàn)(176)10.5.3樣本標(biāo)簽率對(duì)比實(shí)驗(yàn)(178)10.5.4噪聲干擾實(shí)驗(yàn)(179)10.5.5模型微調(diào)前后對(duì)比實(shí)驗(yàn)(180)10.6本章小節(jié)(180)本章參考文獻(xiàn)(181)第11章智能診斷技術(shù)的挑戰(zhàn)(183)11.1引言(183)11.2智能診斷技術(shù)的未來工作(184)11.2.1元學(xué)習(xí)在故障診斷中的未來工作(184)11.2.2智能故障診斷中的未來工作(185)11.3本章小節(jié)(187)本章參考文獻(xiàn)(187)