| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 电力数据资产管理研究现状 | 第11页 |
| 1.2.2 电力设备状态评估研究现状 | 第11-12页 |
| 1.2.3 电力设备故障诊断研究现状 | 第12页 |
| 1.2.4 大数据研究现状 | 第12-13页 |
| 1.3 课题研究内容及本人的主要工作 | 第13-14页 |
| 1.4 本章小结 | 第14-15页 |
| 第2章 设备生命周期理论及大数据研究 | 第15-21页 |
| 2.1 设备资产全生命周期管理研究 | 第15-18页 |
| 2.1.1 数据资产管理概述 | 第15-17页 |
| 2.1.2 电力设备资产处理流程 | 第17-18页 |
| 2.2 电力企业数据资产管理现状 | 第18-19页 |
| 2.3 大数据平台及架构 | 第19-20页 |
| 2.3.1 大数据技术概述 | 第19-20页 |
| 2.3.2 总体架构设计 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 设备全生命周期管理研究应用 | 第21-43页 |
| 3.1 设备数据存储及预处理 | 第21-23页 |
| 3.1.1 运行数据概述 | 第21-22页 |
| 3.1.2 数据存储方案 | 第22页 |
| 3.1.3 数据预处理 | 第22-23页 |
| 3.2 设备运行状态研究 | 第23-30页 |
| 3.2.1 设备运行强度分析 | 第23-27页 |
| 3.2.2 机组振动特性分析 | 第27-30页 |
| 3.3 设备健康状态评估研究 | 第30-33页 |
| 3.3.1 设备健康特征选取 | 第30-31页 |
| 3.3.2 设备健康状态评价标准 | 第31-33页 |
| 3.4 设备健康状态预测分析 | 第33-37页 |
| 3.4.1 基于SVR与ARIMA的混合预测模型研究 | 第33-35页 |
| 3.4.2 设备运行健康状态混合预测模型研究应用 | 第35-37页 |
| 3.5 设备健康状态综合评价分析 | 第37-42页 |
| 3.5.1 综合评价指标体系研究 | 第37-38页 |
| 3.5.2 指标评价及权重研究 | 第38-39页 |
| 3.5.3 指标评分标准及评估方法 | 第39-41页 |
| 3.5.4 综合评价案例分析 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于深度学习的电力设备故障诊断模型研究 | 第43-52页 |
| 4.1 电力设备故障诊断研究概述 | 第43-44页 |
| 4.2 深度学习研究概述 | 第44-45页 |
| 4.3 深度学习在故障诊断领域的研究分析 | 第45-46页 |
| 4.4 基于循环神经网络(RNN)的故障诊断模型 | 第46-51页 |
| 4.4.1 循环神经网络(RNN)概述 | 第46-47页 |
| 4.4.2 长短时记忆网络(LSTM)结构 | 第47-48页 |
| 4.4.3 双向循环神经网络研究 | 第48-49页 |
| 4.4.4 基于LSTM的双向循环神经网络故障诊断模型构建 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 基于深度学习的电力设备故障诊断模型应用 | 第52-62页 |
| 5.1 风力发电机齿形带故障研究 | 第52-53页 |
| 5.2 齿形带故障数据概述 | 第53-55页 |
| 5.2.1 数据概述 | 第53-54页 |
| 5.2.2 数据预处理 | 第54-55页 |
| 5.3 模型应用思路 | 第55页 |
| 5.4 网络训练 | 第55-57页 |
| 5.4.1 损失函数定义 | 第56-57页 |
| 5.4.2 网络优化算法选择 | 第57页 |
| 5.5 实验及分析 | 第57-61页 |
| 5.5.1 实验准备 | 第57-60页 |
| 5.5.2 实验结果分析 | 第60-61页 |
| 5.6 本章小结 | 第61-62页 |
| 第6章 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间发表的学术论文及其他成果 | 第69-70页 |
| 攻读硕士学位期间参与的科研项目 | 第70-71页 |
| 致谢 | 第71页 |