| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 研究目的与意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 国外研究现状 | 第8-9页 |
| 1.2.2 国内故障诊断研究现状 | 第9-10页 |
| 1.3 故障特征提取与故障诊断方法综述 | 第10-17页 |
| 1.3.1 故障特征提取方法 | 第10-14页 |
| 1.3.2 模式识别算法 | 第14-17页 |
| 1.4 本文的研究内容与结构 | 第17-18页 |
| 2 分形与多重分形 | 第18-36页 |
| 2.1 分形 | 第18-25页 |
| 2.1.1 分形的性质 | 第19-21页 |
| 2.1.2 分形维的定义及其算法 | 第21-25页 |
| 2.2 多重分形 | 第25-31页 |
| 2.2.1 基于配分函数的多重分形 | 第25-26页 |
| 2.2.2 多重分形谱与广义维数 | 第26-28页 |
| 2.2.3 多重分形谱的计算方法 | 第28-31页 |
| 2.3 水电机组振动信号的分形特征 | 第31-35页 |
| 2.3.1 振动信号的分形特性 | 第31-32页 |
| 2.3.2 水电机组振动信号的多重分形谱 | 第32-35页 |
| 2.4 本章小结 | 第35-36页 |
| 3 基于堆叠降噪自编码模型的故障特征抽取 | 第36-46页 |
| 3.1 引言 | 第36页 |
| 3.2 特征选择与特征抽取 | 第36-38页 |
| 3.2.1 特征选择 | 第36-37页 |
| 3.2.2 特征抽取 | 第37-38页 |
| 3.3 堆叠降噪自编码模型 | 第38-44页 |
| 3.3.1 自编码模型 | 第38-41页 |
| 3.3.2 降噪自编码模型 | 第41-43页 |
| 3.3.3 堆叠降噪自编码模型 | 第43-44页 |
| 3.4 小结 | 第44-46页 |
| 4 自组织特征映射网络 | 第46-56页 |
| 4.1 引言 | 第46页 |
| 4.2 自组织特征映射网络结构 | 第46-48页 |
| 4.3 自组织特征映射网络的工作原理 | 第48-51页 |
| 4.4 自组织特征映射网络的算法步骤 | 第51-53页 |
| 4.5 小结 | 第53-56页 |
| 5 基于多重分形和自组织特征映射神经网络的水电机组故障诊断 | 第56-70页 |
| 5.1 测点的布置 | 第56-57页 |
| 5.2 实验模型与实验流程简述 | 第57-58页 |
| 5.3 模型参数的选择与比较 | 第58-64页 |
| 5.3.1 基于小波导向因子的多重分形谱的参数 | 第58-63页 |
| 5.3.2 基堆叠降噪自编码模型参数 | 第63-64页 |
| 5.3.3 自组织特征映射神经网络的参数 | 第64页 |
| 5.4 工程实例验证 | 第64-69页 |
| 5.4.1 已知故障状态的样本验证 | 第64-67页 |
| 5.4.2 未知状态的样本验证 | 第67-69页 |
| 5.5 小结 | 第69-70页 |
| 6 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 附录 | 第80-82页 |
| 攻读硕士期间发表论文 | 第82页 |