| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 尾水管涡带状态分析研究现状 | 第10-11页 |
| 1.3 时频分析方法的研究现状 | 第11-13页 |
| 1.3.1 短时傅里叶变换 | 第11-12页 |
| 1.3.2 小波变换 | 第12页 |
| 1.3.3 希尔伯特黄变换 | 第12-13页 |
| 1.4 基于时频分析的尾水管涡带识别方法研究现状 | 第13-15页 |
| 1.5 论文组织结构 | 第15-16页 |
| 2 水轮机低频压力脉动机理及其时频图像提取 | 第16-28页 |
| 2.1 尾水管低频压力脉动产生机理 | 第16-17页 |
| 2.2 部分负荷下的压力脉动特性 | 第17-20页 |
| 2.2.1 部分负荷下的压力脉动频率特性 | 第17-19页 |
| 2.2.2 部分负荷下的压力脉动幅值特性 | 第19-20页 |
| 2.3 低频压力脉动时频分析方法 | 第20-24页 |
| 2.3.1 短时傅里叶变换 | 第20-21页 |
| 2.3.2 连续小波变换 | 第21-22页 |
| 2.3.3 希尔伯特黄变换 | 第22-24页 |
| 2.4 低频压力脉动时频图像提取 | 第24-27页 |
| 2.4.1 仿真信号构建 | 第25页 |
| 2.4.2 仿真信号时频图像分析 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 卷积神经网络与图像识别技术 | 第28-40页 |
| 3.1 卷积神经网络概述 | 第28-29页 |
| 3.2 卷积神经网络结构 | 第29-35页 |
| 3.2.1 卷积层 | 第29-30页 |
| 3.2.2 激活函数 | 第30-32页 |
| 3.2.3 池化层 | 第32-33页 |
| 3.2.4 损失函数 | 第33-35页 |
| 3.3 误差反向传播算法 | 第35-36页 |
| 3.4 卷积神经网络优化方法 | 第36-38页 |
| 3.4.1 梯度下降算法 | 第36-38页 |
| 3.4.2 过拟合优化 | 第38页 |
| 3.5 本章小结 | 第38-40页 |
| 4 基于时频图像的尾水管涡带状态识别 | 第40-52页 |
| 4.1 数据处理与模型建立 | 第40-46页 |
| 4.1.1 尾水管压力脉动数据源及特征图像提取 | 第40-45页 |
| 4.1.2 卷积网络模型搭建 | 第45-46页 |
| 4.2 尾水管压力脉动时频图纹理特征研究 | 第46-50页 |
| 4.2.1 卷积神经网络特征可视化 | 第46-47页 |
| 4.2.2 压力脉动特征图像在卷积神经网络中的传递 | 第47-50页 |
| 4.3 尾水管涡带状态识别实例及分析 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 本文研究工作总结 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 附录: 攻读硕士期间参与科研项目和发表论文 | 第59-60页 |