基于深度学习网络的航空发电机旋转整流器诊断技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 缩略词 | 第10-11页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 飞机电源系统与航空三级式发电机 | 第11-14页 |
| 1.2.1 飞机电源系统简介 | 第11-13页 |
| 1.2.2 航空三级式发电机简介 | 第13-14页 |
| 1.3 旋转整流器故障诊断技术概述 | 第14-18页 |
| 1.3.1 发电机故障诊断技术概述 | 第14-15页 |
| 1.3.2 旋转整流器故障诊断技术研究现状 | 第15-18页 |
| 1.4 论文研究内容及章节安排 | 第18-19页 |
| 第二章 基于DBN的故障诊断技术研究 | 第19-50页 |
| 2.1 频谱分析方法简介 | 第19-20页 |
| 2.2 旋转整流器故障分类方法 | 第20-27页 |
| 2.2.1 常规故障分类方法 | 第20-23页 |
| 2.2.2 基于DBN的故障分类方法 | 第23-27页 |
| 2.3 基于DBN的故障诊断流程 | 第27-28页 |
| 2.4 仿真实验模型简介 | 第28-32页 |
| 2.4.1 发电机整体模型 | 第28-30页 |
| 2.4.2 旋转整流器模型 | 第30页 |
| 2.4.3 旋转整流器故障模式及故障信号选取 | 第30-32页 |
| 2.5 仿真实验验证 | 第32-40页 |
| 2.5.1 信号采集与处理 | 第32-36页 |
| 2.5.2 故障诊断 | 第36-37页 |
| 2.5.3 实验结果分析 | 第37-40页 |
| 2.6 实际实验验证 | 第40-49页 |
| 2.6.1 实验平台说明 | 第40-43页 |
| 2.6.2 信号采集与处理 | 第43-45页 |
| 2.6.3 故障诊断 | 第45页 |
| 2.6.4 实验结果分析 | 第45-49页 |
| 2.7 本章小结 | 第49-50页 |
| 第三章 基于SAE的故障诊断技术研究 | 第50-64页 |
| 3.1 堆栈自动编码器简介 | 第50-52页 |
| 3.2 基于SAE-MDC的故障诊断方法 | 第52-57页 |
| 3.2.1 最小距离分类法简介 | 第52页 |
| 3.2.2 诊断流程 | 第52-54页 |
| 3.2.3 实验验证 | 第54-56页 |
| 3.2.4 实验结果及结论 | 第56-57页 |
| 3.3 基于SAE-SVDD的故障诊断方法 | 第57-63页 |
| 3.3.1 支持向量数据描述算法简介 | 第58-59页 |
| 3.3.2 诊断流程 | 第59-61页 |
| 3.3.3 实验验证 | 第61页 |
| 3.3.4 实验结果及结论 | 第61-63页 |
| 3.4 本章小结 | 第63-64页 |
| 第四章 总结与展望 | 第64-66页 |
| 4.1 本文工作总结 | 第64页 |
| 4.2 后续工作展望 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-73页 |
| 在学期间的研究成果及发表的学术论文 | 第73页 |
