基于道岔动作电流的故障诊断方法研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 故障检测与诊断技术概述 | 第10-11页 |
| 1.2.2 道岔故障诊断技术的研究现状 | 第11-12页 |
| 1.2.3 道岔故障特征提取技术研究现状 | 第12-13页 |
| 1.3 论文的主要内容 | 第13-14页 |
| 第2章 道岔的工作原理和故障模式 | 第14-19页 |
| 2.1 道岔的基本结构及工作原理 | 第14-16页 |
| 2.1.1 道岔的基本结构 | 第14-15页 |
| 2.1.2 道岔动作过程 | 第15-16页 |
| 2.2 道岔常见故障模式分析 | 第16-18页 |
| 2.2.1 道岔动作电流数据特征描述及分析 | 第16-17页 |
| 2.2.2 道岔常见故障模式 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第3章 卷积神经网络模型 | 第19-25页 |
| 3.1 卷积神经网络模型概述 | 第19页 |
| 3.2 卷积神经网络基本结构 | 第19-22页 |
| 3.2.1 卷积层 | 第19-20页 |
| 3.2.2 激活层 | 第20-21页 |
| 3.2.3 池化层 | 第21-22页 |
| 3.2.4 全连接层 | 第22页 |
| 3.3 卷积神经网络的技术特点 | 第22-24页 |
| 3.3.1 局部连接 | 第22-23页 |
| 3.3.2 参数共享 | 第23页 |
| 3.3.3 Softmax回归 | 第23-24页 |
| 3.3.4 目标函数 | 第24页 |
| 3.4 本章小结 | 第24-25页 |
| 第4章 基于CEEMD算法的道岔故障诊断方法 | 第25-44页 |
| 4.1 粗糙集和属性约简 | 第25-28页 |
| 4.1.1 粗糙集和属性约简理论 | 第25-26页 |
| 4.1.2 两种粗糙集属性约简算法 | 第26-28页 |
| 4.2 基于互补的总体经验模式分解 | 第28-34页 |
| 4.2.1 基于互补的总体经验模式分解概述 | 第28-29页 |
| 4.2.2 EMD、EEMD及CEEMD比较分析 | 第29-31页 |
| 4.2.3 CEEMD分解算法过程 | 第31-32页 |
| 4.2.4 自适应法确定CEEMD变换的参数 | 第32-34页 |
| 4.3 基于CEEMD算法的道岔故障特征提取 | 第34-39页 |
| 4.3.1 道岔动作电流的属性约简 | 第34-36页 |
| 4.3.2 基于IMF的信息熵 | 第36-37页 |
| 4.3.3 多维标度法分析特征提取结果 | 第37-39页 |
| 4.4 基于卷积神经网络的道岔故障诊断方法 | 第39-43页 |
| 4.4.1 道岔故障诊断方法的设计 | 第39-41页 |
| 4.4.2 故障诊断结果分析 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 基于深度残差网络的道岔故障诊断方法 | 第44-57页 |
| 5.1 深度残差卷积神经网络模型 | 第44-48页 |
| 5.1.1 深度卷积神经网络的研究现状 | 第44页 |
| 5.1.2 深度残差卷积神经网络结构 | 第44-46页 |
| 5.1.3 优化网络参数技术 | 第46-48页 |
| 5.2 基于深度残差网络结构的故障诊断方法的设计 | 第48-50页 |
| 5.2.1 输入数据格式 | 第48页 |
| 5.2.2 深度残差学习模块的调整 | 第48-49页 |
| 5.2.3 卷积核的选取 | 第49页 |
| 5.2.4 激活函数的选取 | 第49-50页 |
| 5.3 基于深度残差网络结构的故障诊断方法实现 | 第50-56页 |
| 5.3.1 深度残差网络模型的设计 | 第50-52页 |
| 5.3.2 超参数的选用及说明 | 第52-53页 |
| 5.3.3 实验过程 | 第53-55页 |
| 5.3.4 实验结果分析对比 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第6章 结论与展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第64页 |
