基于时频图和卷积神经网络的水电机组故障诊断研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11页 |
| 1.3 水电机组振动信号的分析方法 | 第11-14页 |
| 1.3.1 时域分析 | 第12页 |
| 1.3.2 频域分析 | 第12页 |
| 1.3.3 时频分析 | 第12-14页 |
| 1.4 水电机组故障诊断方法 | 第14-16页 |
| 1.4.1 人工神经网络 | 第14页 |
| 1.4.2 故障树 | 第14-15页 |
| 1.4.3 专家系统 | 第15页 |
| 1.4.4 模糊聚类 | 第15页 |
| 1.4.5 支持向量机 | 第15-16页 |
| 1.5 深度学习发展现状 | 第16-17页 |
| 1.5.1 深度置信网络 | 第16页 |
| 1.5.2 深度自动编码器 | 第16-17页 |
| 1.5.3 卷积神经网络 | 第17页 |
| 1.6 论文研究内容 | 第17-19页 |
| 2 水电机组振动机理及其时频图像分析 | 第19-41页 |
| 2.1 水电机组振动机理 | 第19-23页 |
| 2.1.1 水力振动 | 第19-21页 |
| 2.1.2 机械振动 | 第21-22页 |
| 2.1.3 电磁振动 | 第22-23页 |
| 2.2 水电机组振动信号时频分析 | 第23-31页 |
| 2.2.1 短时傅里叶变换 | 第24-25页 |
| 2.2.2 小波变换 | 第25-30页 |
| 2.2.3 Hilbert-Huang变换 | 第30-31页 |
| 2.3 振动信号仿真及时频分析 | 第31-39页 |
| 2.3.1 仿真信号A的时频分析 | 第31-35页 |
| 2.3.2 仿真信号B的时频分析 | 第35-39页 |
| 2.4 本章小结 | 第39-41页 |
| 3 卷积神经网络 | 第41-55页 |
| 3.1 卷积神经网络基本原理与结构 | 第41-47页 |
| 3.1.1 卷积层 | 第41-42页 |
| 3.1.2 池化层 | 第42-44页 |
| 3.1.3 全连接层 | 第44页 |
| 3.1.4 激活函数 | 第44-46页 |
| 3.1.5 损失函数 | 第46-47页 |
| 3.2 卷积神经网络训练过程 | 第47-49页 |
| 3.2.1 前向传播 | 第47页 |
| 3.2.2 反向传播 | 第47-49页 |
| 3.3 卷积神经网络的优化算法 | 第49-51页 |
| 3.3.1 随机梯度下降算法 | 第49页 |
| 3.3.2 动量算法 | 第49-50页 |
| 3.3.3 牛顿动量算法 | 第50-51页 |
| 3.3.4 Adam算法 | 第51页 |
| 3.4 卷积神经网络过拟合与正则化 | 第51-52页 |
| 3.4.1 过拟合 | 第51-52页 |
| 3.4.2 Dropout正则化 | 第52页 |
| 3.5 卷积神经网络分类流程 | 第52-53页 |
| 3.6 本章小结 | 第53-55页 |
| 4 基于卷积神经网络的水电机组时频图像识别 | 第55-75页 |
| 4.1 实验模型与流程 | 第55-56页 |
| 4.2 相同转速水电机组故障识别 | 第56-68页 |
| 4.2.1 电站概况 | 第56-57页 |
| 4.2.2 监测系统 | 第57-60页 |
| 4.2.3 信号分析 | 第60-64页 |
| 4.2.4 水电机组振动信号时频图的识别 | 第64-68页 |
| 4.3 三种时频图对比分析 | 第68-71页 |
| 4.4 不同转速水电机组故障识别 | 第71-74页 |
| 4.4.1 实验样本 | 第71-72页 |
| 4.4.2 时频分析与故障诊断 | 第72-74页 |
| 4.5 本章小结 | 第74-75页 |
| 5 结论与展望 | 第75-77页 |
| 5.1 结论 | 第75-76页 |
| 5.2 展望 | 第76-77页 |
| 致谢 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 攻读学位期间主要研究成果 | 第85页 |
