| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 引言 | 第14-27页 |
| 1.1 能源问题与核聚变 | 第14-16页 |
| 1.2 磁约束核聚变装置 | 第16-19页 |
| 1.2.1 托卡马克装置 | 第16-18页 |
| 1.2.2 仿星器装置 | 第18-19页 |
| 1.3 聚变装置线圈电源 | 第19-22页 |
| 1.3.1 ITER线圈电源 | 第19-20页 |
| 1.3.2 LHD线圈电源 | 第20页 |
| 1.3.3 线圈电源方案 | 第20-22页 |
| 1.4 神经网络简介 | 第22-24页 |
| 1.5 本章小结和论文结构 | 第24-27页 |
| 第2章 故障诊断技术与磁压缩电源故障诊断需求 | 第27-48页 |
| 2.1 故障诊断方法 | 第27-30页 |
| 2.1.1 定性分析方法 | 第27-28页 |
| 2.1.2 定量分析方法 | 第28-30页 |
| 2.2 工业电力电子故障诊断方法 | 第30-37页 |
| 2.2.1 信号处理方法 | 第30-31页 |
| 2.2.2 传统机器学习方法 | 第31-32页 |
| 2.2.3 人工神经网络方法 | 第32-37页 |
| 2.3 磁压缩线圈电源特性与对故障诊断系统的要求 | 第37-47页 |
| 2.3.1 磁压缩的定标率 | 第38-39页 |
| 2.3.2 垂直磁场分析 | 第39-44页 |
| 2.3.3 磁压缩线圈电源 | 第44-46页 |
| 2.3.4 磁压缩线圈电源对故障诊断系统的要求 | 第46-47页 |
| 2.4 本章小结 | 第47-48页 |
| 第3章 基于一维卷积神经网络的电源变换器故障诊断 | 第48-86页 |
| 3.1 引言 | 第48-53页 |
| 3.1.1 卷积计算 | 第48-49页 |
| 3.1.2 卷积神经网络 | 第49-53页 |
| 3.2 电源变换器故障类型 | 第53页 |
| 3.3 电源变换器短路故障分析 | 第53-56页 |
| 3.3.1 环流电抗器前短路 | 第54-55页 |
| 3.3.2 环流电抗器后短路 | 第55-56页 |
| 3.3.3 晶闸管短路 | 第56页 |
| 3.4 电源变换器短路故障Simulink仿真 | 第56-63页 |
| 3.5 基于仿真的电源变换器短路故障数据集建立 | 第63-64页 |
| 3.6 数据集增强 | 第64-66页 |
| 3.7 深度学习实现框架Tensorflow | 第66页 |
| 3.8 基于一维卷积神经网络(1D-CNN)的电源运行工况分类 | 第66-72页 |
| 3.9 基于BP神经网络的电源变换器短路故障诊断 | 第72-76页 |
| 3.10 基于1D-CNN的电源变换器故障诊断模型 | 第76-80页 |
| 3.10.1 用于电源变换器短路故障分析的1D-CNN模型结构 | 第76页 |
| 3.10.2 CNN的误差反向传播计算 | 第76-79页 |
| 3.10.3 CNN的参数修正计算 | 第79-80页 |
| 3.11 基于1D-CNN的电源变换器短路故障诊断实现 | 第80-85页 |
| 3.12 本章小结 | 第85-86页 |
| 第4章 基于BN算法优化的1D-CNN的变换器故障诊断模型 | 第86-99页 |
| 4.1 BN层介绍 | 第86-91页 |
| 4.1.1 BN层正向传播计算 | 第89-90页 |
| 4.1.2 BN层反向求导计算 | 第90-91页 |
| 4.2 1D-BNCNN的超参数设计 | 第91-92页 |
| 4.3 基于1D-BNCNN的电源变换器故障诊断实现 | 第92-97页 |
| 4.3.1 1D-BNCNN试验参数 | 第92-95页 |
| 4.3.2 1D-BNCNN试验模型及其训练过程 | 第95-97页 |
| 4.4 本章小结 | 第97-99页 |
| 第5章 1D-BNCNN在LHD线圈电源变换器故障诊断的迁移学习实现 | 第99-112页 |
| 5.1 迁移学习简介 | 第99-100页 |
| 5.2 迁移学习在时间序列问题中的应用 | 第100-102页 |
| 5.3 基于模型迁移的迁移学习方法 | 第102-103页 |
| 5.4 LHD装置OV线圈电源故障数据集建立 | 第103-108页 |
| 5.5 1D-BNCNN的迁移学习实现及其训练结果可视化 | 第108-111页 |
| 5.6 本章小结 | 第111-112页 |
| 第6章 总结与展望 | 第112-115页 |
| 6.1 总结 | 第112-113页 |
| 6.2 论文特色与创新 | 第113页 |
| 6.3 工作展望 | 第113-115页 |
| 参考文献 | 第115-121页 |
| 致谢 | 第121-122页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第122页 |
