| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 状态监测国内外研究现状 | 第11-14页 |
| 1.2.1 状态监测技术的研究现状 | 第11-12页 |
| 1.2.2 设备状态识别研究现状 | 第12-13页 |
| 1.2.3 实验检测方法 | 第13-14页 |
| 1.3 目前研究存在的问题 | 第14页 |
| 1.4 本文内容安排 | 第14-15页 |
| 第2章 实验平台搭建与信号采集 | 第15-25页 |
| 2.1 变压器数据采集 | 第15-22页 |
| 2.1.1 油中放电模型 | 第15-17页 |
| 2.1.2 采样装置 | 第17-19页 |
| 2.1.3 变压器局部放电特征提取 | 第19-20页 |
| 2.1.4 放电信号的交叉小波变换 | 第20-22页 |
| 2.2 振动数据采集 | 第22-24页 |
| 2.2.1 振动传感器 | 第22-23页 |
| 2.2.2 数据采集卡 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 引入中心损失函数的Faster R-CNN | 第25-31页 |
| 3.1 卷积神经网络概述 | 第25-27页 |
| 3.2 Faster R-CNN的发展 | 第27-28页 |
| 3.3 Faster R-CNN的改进 | 第28-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 基于Faster R-CNN的设备状态识别 | 第31-43页 |
| 4.1 基于BPNN和PNN的状态识别 | 第31-33页 |
| 4.1.1 BP神经网络 | 第31-32页 |
| 4.1.2 概率神经网络 | 第32-33页 |
| 4.1.3 BPNN神经网络的结构设计 | 第33页 |
| 4.2 基于主动学习SVM的状态识别 | 第33-39页 |
| 4.2.1 多分类SVM | 第33-35页 |
| 4.2.2 核函数选择 | 第35-36页 |
| 4.2.3 参数选择 | 第36页 |
| 4.2.4 主动学习SVM | 第36-37页 |
| 4.2.5 基于主动学习SVM的状态识别 | 第37-39页 |
| 4.3 基于改进Faster R-CNN的状态识别 | 第39-42页 |
| 4.3.1 中心损失函数概述 | 第39页 |
| 4.3.2 局部放电状态识别 | 第39-40页 |
| 4.3.3 转子振动状态识别 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 结论与展望 | 第43-44页 |
| 5.1 结论 | 第43页 |
| 5.2 展望 | 第43-44页 |
| 参考文献 | 第44-48页 |
| 致谢 | 第48-49页 |
| 作者简介 | 第49页 |
