基于小波分析和神经网络的铝电解槽阴极状态诊断研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 研究现状及发展前景 | 第11-12页 |
| 1.2.1 国内研究现状 | 第11页 |
| 1.2.2 国外研究现状 | 第11-12页 |
| 1.3 论文研究的主要内容 | 第12-14页 |
| 1.3.1 整体设计框图 | 第12页 |
| 1.3.2 论文主要工作 | 第12-14页 |
| 第二章 基于小波包分解的铝电解槽阴极故障特征提取 | 第14-42页 |
| 2.1 小波分解的理论基础 | 第14-15页 |
| 2.2 小波包分解 | 第15-18页 |
| 2.2.1 小波包数学理论 | 第15-16页 |
| 2.2.2 小波包分解 | 第16-18页 |
| 2.3 小波分析与小波包分析优劣的比较 | 第18页 |
| 2.4 最优小波基函数的选择 | 第18-22页 |
| 2.4.1 常用小波基函数 | 第18页 |
| 2.4.2 基于最小能量熵选取最优小波基函数 | 第18-22页 |
| 2.5 分解层数的选择 | 第22-25页 |
| 2.5.1 最优小波包树 | 第22-23页 |
| 2.5.2 确定小波包分解深度 | 第23-25页 |
| 2.6 铝电解槽阴极电压信号的降噪处理与分析 | 第25-36页 |
| 2.6.1 小波去噪 | 第25-26页 |
| 2.6.2 阈值函数的选取 | 第26页 |
| 2.6.3 阈值规则的选取 | 第26-32页 |
| 2.6.4 SCAL的选择 | 第32-34页 |
| 2.6.5 小波包去噪的基本思想 | 第34-36页 |
| 2.7 阴极电压信号去噪对比分析 | 第36-37页 |
| 2.8 基于小波包分解的铝电解槽阴极故障特征提取 | 第37-41页 |
| 2.9 本章小结 | 第41-42页 |
| 第三章 铝电解槽阴极状态诊断 | 第42-58页 |
| 3.1 BP神经网络模型介绍 | 第42页 |
| 3.2 BP神经网络的学习算法 | 第42-43页 |
| 3.3 BP神经网络模型的建立 | 第43-47页 |
| 3.3.1 BP神经网络层数的确定 | 第44页 |
| 3.3.2 网络各层神经元数目的确定 | 第44-46页 |
| 3.3.3 初始权值的选取 | 第46-47页 |
| 3.3.4 学习参数的选取 | 第47页 |
| 3.3.5 激活函数的确定 | 第47页 |
| 3.4 传统BP算法的局限性 | 第47-48页 |
| 3.5 BP神经网络铝电解槽阴极状态诊断训练仿真 | 第48-51页 |
| 3.6 改进的BP神经网络方法 | 第51-56页 |
| 3.6.1 动量BP算法 | 第51-52页 |
| 3.6.2 学习率可变的BP训练方法 | 第52-54页 |
| 3.6.3 L-M优化BP算法 | 第54-55页 |
| 3.6.4 不同改进算法的状态诊断性能指标的比较 | 第55-56页 |
| 3.7 BP神经网络状态诊断测试 | 第56-57页 |
| 3.8 本章小结 | 第57-58页 |
| 第四章 铝电解阴极诊断系统设计 | 第58-67页 |
| 4.1 系统软件基本功能介绍 | 第58页 |
| 4.2 诊断系统设计 | 第58-66页 |
| 4.2.1 开关功能 | 第59-60页 |
| 4.2.2 数据查看功能 | 第60-63页 |
| 4.2.3 故障特征提取显示 | 第63-64页 |
| 4.2.4 诊断系统显示 | 第64-66页 |
| 4.3 本章小结 | 第66-67页 |
| 第五章 结论与讨论 | 第67-69页 |
| 5.1 结论 | 第67页 |
| 5.2 讨论 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 在学期间的研究成果 | 第72-73页 |
| 致谢 | 第73页 |
