基于深度学习模型的风电变流器故障诊断
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究的现状 | 第9-12页 |
| 1.2.1 风电变流器故障诊断研究现状 | 第9-10页 |
| 1.2.2 深度学习研究现状 | 第10-12页 |
| 1.3 本文的结构安排 | 第12-14页 |
| 2 风电变流器故障分析及特征提取 | 第14-34页 |
| 2.1 引言 | 第14-15页 |
| 2.2 风电变流器的结构及故障机理 | 第15-16页 |
| 2.3 变流器故障信号特征分析 | 第16-20页 |
| 2.4 基于小波变换的故障特征提取 | 第20-28页 |
| 2.5 变流器故障特征分析 | 第28-32页 |
| 2.6 本章小结 | 第32-34页 |
| 3 基于深度信念网络的风电变流器故障诊断 | 第34-52页 |
| 3.1 引言 | 第34页 |
| 3.2 基于深度信念网络的故障诊断机理 | 第34-43页 |
| 3.2.1 受限玻尔兹曼机模型 | 第34-40页 |
| 3.2.2 Softmax回归 | 第40-41页 |
| 3.2.3 深度信念网络模型及训练方法 | 第41-42页 |
| 3.2.4 深度信念网络设计 | 第42-43页 |
| 3.3 实验与分析 | 第43-50页 |
| 3.3.1 实验环境和数据 | 第43-45页 |
| 3.3.2 深度信念网络参数选择 | 第45-49页 |
| 3.3.3 实验结果 | 第49-50页 |
| 3.4 本章小结 | 第50-52页 |
| 4 基于卷积神经网络的风电变流器故障诊断 | 第52-70页 |
| 4.1 引言 | 第52页 |
| 4.2 卷即神经网络结构 | 第52-56页 |
| 4.2.1 卷积层 | 第53-54页 |
| 4.2.2 降采样层 | 第54-55页 |
| 4.2.3 全连接层 | 第55-56页 |
| 4.3 卷积神经网络训练 | 第56-57页 |
| 4.3.1 前向传播 | 第56页 |
| 4.3.2 反向传播 | 第56-57页 |
| 4.4 卷积神经优化 | 第57-63页 |
| 4.4.1 卷积神经网络参数优化 | 第57-59页 |
| 4.4.2 卷积神经结构优化 | 第59-63页 |
| 4.5 实验与分析 | 第63-69页 |
| 4.5.1 实验环境与数据 | 第63页 |
| 4.5.2 卷积神经网络结构设计 | 第63-67页 |
| 4.5.3 卷积神经网络参数选择 | 第67-68页 |
| 4.5.4 实验结果 | 第68-69页 |
| 4.6 本章小结 | 第69-70页 |
| 5 论文总结与展望 | 第70-72页 |
| 5.1 论文总结 | 第70页 |
| 5.2 研究工作展望 | 第70-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 附录 | 第78页 |
| A.作者在攻读硕士学位期间发表论文 | 第78页 |
