深度学习在消防水泵电机故障诊断中的应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第13-21页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 异步电机故障诊断的研究现状 | 第14-16页 |
| 1.2.2 深度学习研究现状 | 第16-17页 |
| 1.2.3 深度学习在故障诊断领域的研究现状 | 第17-19页 |
| 1.3 本文工作与结构安排 | 第19-21页 |
| 2 深度信念网络及其分类能力研究 | 第21-31页 |
| 2.1 限制玻尔兹曼机 | 第21-23页 |
| 2.1.1 RBM结构 | 第21-22页 |
| 2.1.2 RBM的能量模型 | 第22-23页 |
| 2.2 深度信念网络 | 第23-26页 |
| 2.2.1 DBN结构 | 第23-24页 |
| 2.2.2 DBN训练流程 | 第24-26页 |
| 2.3 DBN特征提取与分类能力研究 | 第26-30页 |
| 2.3.1 仿真信号说明 | 第27-28页 |
| 2.3.2 网络参数设置 | 第28-29页 |
| 2.3.3 分类结果分析 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 消防水泵电机多故障仿真建模 | 第31-39页 |
| 3.1 消防水泵电机模型搭建 | 第31-34页 |
| 3.1.1 工频供电的电机模型 | 第31-32页 |
| 3.1.2 低频供电的电机模型 | 第32-34页 |
| 3.2 故障设置 | 第34-36页 |
| 3.2.1 转子断条故障设置 | 第34-35页 |
| 3.2.2 偏心故障设置 | 第35页 |
| 3.2.3 混合故障设置 | 第35-36页 |
| 3.3 仿真模型求解 | 第36-38页 |
| 3.3.1 仿真参数设置 | 第36页 |
| 3.3.2 仿真模型求解 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 基于DBN的消防水泵电机故障诊断 | 第39-60页 |
| 4.1 诊断流程 | 第39-40页 |
| 4.2 样本生成 | 第40页 |
| 4.3 网络参数确定 | 第40-51页 |
| 4.3.1 网络结构 | 第41-43页 |
| 4.3.2 学习率 | 第43-45页 |
| 4.3.3 动量项 | 第45-46页 |
| 4.3.4 批处理数量 | 第46-48页 |
| 4.3.5 训练轮数 | 第48-51页 |
| 4.4 网络性能分析 | 第51-54页 |
| 4.4.1 特征提取能力分析 | 第51-53页 |
| 4.4.2 样本分类能力分析 | 第53-54页 |
| 4.5 与传统分类方法的对比 | 第54-59页 |
| 4.5.1 算法性能评价标准 | 第54-57页 |
| 4.5.2 各分类方法对比分析 | 第57-59页 |
| 4.6 本章小结 | 第59-60页 |
| 5 消防水泵电机故障诊断系统框架设计 | 第60-71页 |
| 5.1 系统框架 | 第60-61页 |
| 5.2 GUI设计方案 | 第61-63页 |
| 5.3 GUI编辑及其诊断应用 | 第63-70页 |
| 5.3.1 登录界面 | 第64-65页 |
| 5.3.2 诊断界面 | 第65-70页 |
| 5.4 本章小结 | 第70-71页 |
| 6 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 致谢 | 第78-79页 |
| 个人简历、在学期间发表的学术论文和研究成果 | 第79页 |
