發(fā)布時間：2022-04-20 20:35

　　電機作為工農(nóng)業(yè)生產(chǎn)必不可少的設(shè)備,具有十分重要的地位。若電機運行過程中出現(xiàn)故障,不僅造成經(jīng)濟損失,甚至威脅人的生命安全。目前傳統(tǒng)的故障診斷方法大多數(shù)采用信號處理提取特征向量,提取過程需人為掌握大量的信號處理方法和診斷經(jīng)驗,使診斷過程相對復雜,導致結(jié)果誤判的可能性增加。因此,將原先對電機的定期檢修轉(zhuǎn)變?yōu)轭A知維修,減少維修費用,研究先進的電機故障診斷方法具有重要意義。近年來,由于人工智能發(fā)展迅速,深度學習在多個領(lǐng)域彰顯了處理復雜任務(wù)的能力。本文著重研究深度學習的兩種模型,以及該模型在故障診斷領(lǐng)域的應(yīng)用。主要研究工作和內(nèi)容如下:（1）系統(tǒng)學習了深度學習的基本理論及常用方法,由于淺層機器學習方法需要大量的先驗知識和信號處理理論,泛化能力較弱等,重點研究深度學習中長短時記憶網(wǎng)絡(luò)與堆棧稀疏自編碼器兩種模型,論述該模型的基本理論與算法,并通過這兩個模型所應(yīng)用的算法均有效改善傳統(tǒng)方法存在的局限性。（2）研究了長短時記憶神經(jīng)網(wǎng)絡(luò):由于在電機故障診斷中采用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)時存在忽略不同數(shù)據(jù)之間的相關(guān)性,無法學習長期依賴關(guān)系,并且在回饋信息的過程中出現(xiàn)梯度消失等問題,將長短時記憶神經(jīng)網(wǎng)絡(luò)與Softmax多分類器... 

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 引言
    1.2 課題研究背景及意義
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 國內(nèi)研究現(xiàn)狀
        1.3.2 國外研究現(xiàn)狀
    1.4 論文研究內(nèi)容及結(jié)構(gòu)安排
第2章 深度學習理論
    2.1 引言
    2.2 深度學習概述
        2.2.1 人腦視覺機理
        2.2.2 深度學習基本概念
        2.2.3 深度學習的訓練過程
    2.3 深度學習模型
        2.3.1 深度置信網(wǎng)絡(luò)
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.3.4 自編碼器
    2.4 深度學習的應(yīng)用研究
        2.4.1 圖像識別中的應(yīng)用研究
        2.4.2 語音識別中的應(yīng)用
        2.4.3 自然語言處理中的應(yīng)用
    2.5 電機故障識別算法
        2.5.1 支持向量機
        2.5.2 BP神經(jīng)網(wǎng)絡(luò)
        2.5.3 Softmax多分類器
    2.6 本章小結(jié)
第3章 基于長短時記憶神經(jīng)網(wǎng)絡(luò)的電機故障診斷
    3.1 引言
    3.2 梯度消失
    3.3 LSTM神經(jīng)網(wǎng)絡(luò)原理與算法
        3.3.1 LSTM神經(jīng)網(wǎng)絡(luò)原理
        3.3.2 Adam自適應(yīng)學習率算法
    3.4 基于LSTM-Softmax模型的故障診斷方法與步驟
    3.5 仿真試驗驗證與性能分析
        3.5.1 仿真試驗數(shù)據(jù)
        3.5.2 仿真試驗結(jié)果與TensorBoard可視化
        3.5.3 仿真試驗結(jié)果對比
    3.6 本章小結(jié)
第4章 基于堆棧稀疏自編碼器的電機故障診斷
    4.1 引言
    4.2 堆棧稀疏自編碼器
        4.2.1 稀疏自編碼器
        4.2.2 堆棧稀疏自編碼器
    4.3 貪心逐層無監(jiān)督預訓練
    4.4 局部極小值
    4.5 基于SSAE-Softmax的電機故障診斷方法的實現(xiàn)
        4.5.1 深度特征的優(yōu)化提取
        4.5.2 基于SSAE-Softmax故障診斷方法步驟
    4.6 關(guān)鍵參數(shù)對網(wǎng)絡(luò)性能的影響
        4.6.1 不同隱層神經(jīng)元組合對網(wǎng)絡(luò)性能的影響
        4.6.2 不同隱層組合模型診斷結(jié)果分析
        4.6.3 權(quán)重衰減項對網(wǎng)絡(luò)性能的影響
        4.6.4 稀疏參數(shù)對網(wǎng)絡(luò)性能的影響
    4.7 仿真試驗驗證與性能分析
        4.7.1 仿真試驗分析
        4.7.2 仿真試驗結(jié)果對比
    4.8 本章小結(jié)
總結(jié)與展望
    總結(jié)
    展望
參考文獻
致謝
附錄 攻讀學位期間所發(fā)表的學術(shù)論文目錄


【參考文獻】：
期刊論文
[1]變分自編碼器模型綜述[J]. 翟正利,梁振明,周煒,孫霞.  計算機工程與應(yīng)用. 2019(03)
[2]循環(huán)神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 楊麗,吳雨茜,王俊麗,劉義理.  計算機應(yīng)用. 2018(S2)
[3]Hilbert解調(diào)制方法診斷異步電機軸承故障[J]. 宋向金,王卓,胡靜濤,祝洪宇.  電工技術(shù)學報. 2018(21)
[4]基于深度卷積變分自編碼網(wǎng)絡(luò)的故障診斷方法[J]. 佘博,田福慶,梁偉閣.  儀器儀表學報. 2018(10)
[5]基于深度自編碼網(wǎng)絡(luò)的軸承故障診斷[J]. 袁文軍,劉飛,王曉峰,周文晶.  噪聲與振動控制. 2018(05)
[6]雙饋風力發(fā)電機軸承故障診斷研究現(xiàn)狀與發(fā)展[J]. 馬宏忠,李思源.  電機與控制應(yīng)用. 2018(09)
[7]基于長短期記憶的實時電價條件下智能電網(wǎng)短期負荷預測[J]. 李鵬,何帥,韓鵬飛,鄭苗苗,黃敏,孫健.  電網(wǎng)技術(shù). 2018(12)
[8]基于小波包-神經(jīng)網(wǎng)絡(luò)的電廠發(fā)電機組故障診斷研究[J]. 劉志剛,趙曉燕,張濤,敖寶林,李四敏,黨齊乾.  機械傳動. 2018(08)
[9]基于雙樹復小波分解的風機齒輪箱故障診斷[J]. 劉清清,楊江天,尹子棟.  北京交通大學學報. 2018(04)
[10]矢量控制系統(tǒng)中感應(yīng)電機電流傳感器故障診斷[J]. 孫凱,何柏娜,Sarah Odofin,谷雨.  系統(tǒng)仿真學報. 2018(08)

博士論文
[1]異步電動機早期故障特征檢測技術(shù)的研究[D]. 安國慶.河北工業(yè)大學 2013

碩士論文
[1]基于希爾伯特黃變換的軸承故障診斷方法研究[D]. 張瑤.新疆大學 2018
[2]基于定子電流的雙饋風電機組不對中故障診斷[D]. 洪翌.北京交通大學 2018
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法研究[D]. 郭田梅.濟南大學 2017
[4]基于模糊神經(jīng)網(wǎng)絡(luò)的汽車發(fā)動機故障診斷系統(tǒng)及其方法研究[D]. 傅鶴川.華南理工大學 2017
[5]基于DSP的遠程風電齒輪箱故障診斷系統(tǒng)軟件設(shè)計[D]. 潘銘哲.中北大學 2015



本文編號：3646615