基于深度学习的模块化五电平变换器开路故障诊断方法
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状及问题的提出 | 第10-13页 |
| 1.2.1 基于数学模型的故障诊断方法 | 第10-11页 |
| 1.2.2 基于知识的故障诊断方法 | 第11-12页 |
| 1.2.3 基于信号处理的故障诊断方法 | 第12页 |
| 1.2.4 问题的提出 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-15页 |
| 第2章 模块化五电平变换器故障分析与仿真研究 | 第15-22页 |
| 2.1 模块化五电平变换器拓扑结构及工作原理 | 第15-17页 |
| 2.1.1 模块化五电平变换器拓扑结构 | 第15页 |
| 2.1.2 模块化五电平变换器工作原理 | 第15-16页 |
| 2.1.3 模块化五电平变换器子模块工作原理 | 第16-17页 |
| 2.2 子模块故障特性分析 | 第17-19页 |
| 2.3 模块化五电平变换器的故障仿真研究 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 基于有监督深度神经网络的故障智能诊断方法 | 第22-35页 |
| 3.1 卷积神经网络 | 第22-26页 |
| 3.1.1 卷积神经网络的基本思想 | 第22-24页 |
| 3.1.2 卷积神经网络的网络结构 | 第24-26页 |
| 3.2 基于深度卷积神经网络的故障诊断方法 | 第26-30页 |
| 3.2.1 故障诊断模型基本框架 | 第26-27页 |
| 3.2.2 故障诊断模型参数配置 | 第27-28页 |
| 3.2.3 故障诊断模型训练策略 | 第28页 |
| 3.2.4 故障诊断模型训练过程 | 第28-29页 |
| 3.2.5 故障诊断模型结构优化 | 第29-30页 |
| 3.3 实验结果及分析 | 第30-34页 |
| 3.3.1 实验数据准备 | 第30页 |
| 3.3.2 实验结果分析 | 第30-33页 |
| 3.3.3 故障诊断方法抗噪声能力分析 | 第33页 |
| 3.3.4 故障诊断方法对比结果分析 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于无监督深度神经网络的故障智能诊断方法 | 第35-45页 |
| 4.1 栈式稀疏自动编码器 | 第35-38页 |
| 4.1.1 稀疏自动编码器 | 第35-37页 |
| 4.1.2 栈式稀疏自动编码器 | 第37页 |
| 4.1.3 Softmax分类器 | 第37-38页 |
| 4.2 基于栈式稀疏自动编码器的故障诊断方法 | 第38-39页 |
| 4.2.1 故障诊断模型基本框架 | 第38-39页 |
| 4.2.2 故障诊断模型基本流程 | 第39页 |
| 4.3 模型参数调整与分析 | 第39-41页 |
| 4.3.1 隐含层神经元数对模型效果的影响 | 第39-40页 |
| 4.3.2 隐含层数量对模型效果的影响 | 第40-41页 |
| 4.3.3 稀疏参数对模型效果的影响 | 第41页 |
| 4.4 实验结果分析 | 第41-44页 |
| 4.4.1 故障诊断结果分析 | 第41-42页 |
| 4.4.2 故障诊断时间分析 | 第42-44页 |
| 4.4.3 抗噪性能分析 | 第44页 |
| 4.4.4 对比结果分析 | 第44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 总结与展望 | 第45-47页 |
| 5.1 总结 | 第45-46页 |
| 5.2 展望 | 第46-47页 |
| 参考文献 | 第47-52页 |
| 致谢 | 第52-53页 |
| 攻读硕士学位期间发表的学术论文及参与的科研项目 | 第53页 |
