深度学习在风机叶片结构损伤识别中的仿真研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 论文的研究背景及意义 | 第9-10页 |
| 1.2 风机叶片结构损伤识别的研究现状 | 第10-12页 |
| 1.3 深度学习的研究现状 | 第12页 |
| 1.4 论文的主要研究内容 | 第12-14页 |
| 2 深度学习及深度信念网络 | 第14-24页 |
| 2.1 深度学习 | 第14-15页 |
| 2.1.1 机器学习简介 | 第14-15页 |
| 2.1.2 深度学习及其基本思想 | 第15页 |
| 2.2 RBM | 第15-20页 |
| 2.2.1 RBM的模型 | 第15-17页 |
| 2.2.2 RBM的学习 | 第17-19页 |
| 2.2.3 RBM的评估 | 第19-20页 |
| 2.3 深度信念网络 | 第20-21页 |
| 2.3.1 深度信念网络的模型 | 第20页 |
| 2.3.2 深度信念网络的训练 | 第20-21页 |
| 2.4 BP神经网络 | 第21-23页 |
| 2.5 小结 | 第23-24页 |
| 3 基于振动特性的风机叶片结构损伤定位研究 | 第24-38页 |
| 3.1 模态分析理论 | 第24页 |
| 3.2 风机叶片有限元模型的建立 | 第24-29页 |
| 3.2.1 风机叶片模型几何外形的创建 | 第25-27页 |
| 3.2.2 单元类型及材料参数设置 | 第27-28页 |
| 3.2.3 有限元网格划分 | 第28-29页 |
| 3.3 风机叶片有限元模态分析 | 第29-31页 |
| 3.4 模态应变能在叶片结构损伤定位中的应用 | 第31-37页 |
| 3.4.1 模态应变能法损伤识别的理论基础 | 第31-32页 |
| 3.4.2 风机叶片损伤状态下的模态分析 | 第32-34页 |
| 3.4.3 基于模态应变能的叶片单损伤定位 | 第34-35页 |
| 3.4.4 基于模态应变能的叶片双损伤定位 | 第35-37页 |
| 3.5 小结 | 第37-38页 |
| 4 基于深度信念网络的风机叶片结构损伤识别研究 | 第38-48页 |
| 4.1 基于深度信念网络的结构损伤识别网络模型 | 第38-39页 |
| 4.2 损伤标识量的选取 | 第39-40页 |
| 4.3 噪声的模拟 | 第40页 |
| 4.4 风机叶片单损伤识别 | 第40-44页 |
| 4.4.1 单损伤样本的构建 | 第40-41页 |
| 4.4.2 单损伤识别网络训练 | 第41-43页 |
| 4.4.3 单损伤网络测试 | 第43-44页 |
| 4.5 风机叶片双损伤识别 | 第44-47页 |
| 4.5.1 双损伤样本的构建 | 第44页 |
| 4.5.2 双损伤识别网络训练 | 第44-46页 |
| 4.5.3 双损伤网络测试 | 第46-47页 |
| 4.6 小结 | 第47-48页 |
| 5 风机叶片结构损伤识别的实验模拟与分析 | 第48-57页 |
| 5.1 风机叶片运行模态分析方法 | 第48-49页 |
| 5.2 风机叶片振动检测实验 | 第49-51页 |
| 5.3 风机叶片振动模态参数的辨识 | 第51-56页 |
| 5.3.1 完好叶片的结构模态参数辨识 | 第51-55页 |
| 5.3.2 损伤叶片的结构模态参数辨识 | 第55-56页 |
| 5.4 风机叶片结构损伤的识别与分析 | 第56页 |
| 5.5 小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读学位期间的研究成果 | 第63页 |
