異步電機(jī)在日常生活和社會(huì)工業(yè)生產(chǎn)中都有廣泛應(yīng)用,由于電機(jī)長(zhǎng)時(shí)間高速、高壓運(yùn)轉(zhuǎn),加之環(huán)境惡劣,出現(xiàn)故障的幾率十分大,電機(jī)正常運(yùn)轉(zhuǎn)與否直接影響工業(yè)生產(chǎn)制造的人員設(shè)備安全和經(jīng)濟(jì)效益,因此采用先進(jìn)科學(xué)技術(shù)對(duì)電機(jī)進(jìn)行狀態(tài)監(jiān)測(cè)和故障診斷具有十分重要的意義,可實(shí)現(xiàn)對(duì)設(shè)備故障的早期發(fā)現(xiàn),有利于提高電機(jī)生產(chǎn)的可靠性,降低維修成本。本文主要研究了深度學(xué)習(xí)算法及其在異步電機(jī)常見(jiàn)故障診斷中的應(yīng)用,主要研究工作如下:本文首先介紹了異步電機(jī)常見(jiàn)的故障類型,包括定子、轉(zhuǎn)子和軸承方面的故障,分析了電機(jī)產(chǎn)生這些故障的原因,進(jìn)而引出電機(jī)故障診斷的基本原理及其方法。其次,研究了深度學(xué)習(xí)基本理論和常用的基本模型,提出基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network,CNN）深度學(xué)習(xí)模型的電機(jī)故障診斷方法。該方法能夠直接從原始數(shù)據(jù)逐層提取深層抽象的特征規(guī)律,真正實(shí)現(xiàn)了端到端的電機(jī)的大數(shù)據(jù)特征挖掘與故障診斷,通過(guò)實(shí)驗(yàn)驗(yàn)證了傳統(tǒng)CNN應(yīng)用于電機(jī)故障診斷領(lǐng)域的合理性。然后,針對(duì)傳統(tǒng)CNN方法缺乏特征理解導(dǎo)致特征提取效率和診斷準(zhǔn)確率低、模型魯棒性差的問(wèn)題,提出基于門結(jié)構(gòu)擴(kuò)張卷積膠囊網(wǎng)絡(luò)（Gate-struct... 

【文章頁(yè)數(shù)】：88 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景和意義
    1.2 國(guó)內(nèi)外電機(jī)故障診斷研究現(xiàn)狀
        1.2.1 國(guó)內(nèi)研究現(xiàn)狀
        1.2.2 國(guó)外研究現(xiàn)狀
    1.3 論文的主要內(nèi)容與章節(jié)安排
第二章 異步電機(jī)故障診斷原理
    2.1 引言
    2.2 異步電機(jī)故障類型及原理
    2.3 故障診斷原理
    2.4 故障診斷方法
        2.4.1 基于信號(hào)處理的方法
        2.4.2 基于人工智能的方法
    2.5 本章小結(jié)
第三章 基于卷積神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷研究
    3.1 引言
    3.2 深度學(xué)習(xí)
    3.3 卷積神經(jīng)網(wǎng)絡(luò)
        3.3.1 卷積神經(jīng)網(wǎng)絡(luò)
        3.3.2 梯度優(yōu)化算法
        3.3.3 正則化
        3.3.4 參數(shù)初始化
        3.3.5 批規(guī)范化
    3.4 基于CNN的電機(jī)故障診斷實(shí)驗(yàn)驗(yàn)證
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)
        3.4.2 搭建CNN網(wǎng)絡(luò)模型
        3.4.3 結(jié)果分析
    3.5 本章小結(jié)
第四章 基于門結(jié)構(gòu)擴(kuò)張卷積膠囊網(wǎng)絡(luò)的電機(jī)故障診斷研究
    4.1 引言
    4.2 門結(jié)構(gòu)
    4.3 擴(kuò)張卷積
    4.4 膠囊神經(jīng)網(wǎng)絡(luò)基本原理
        4.4.1 CNN面臨的挑戰(zhàn)及神經(jīng)膠囊的提出
        4.4.2 神經(jīng)膠囊的實(shí)例化參數(shù)
        4.4.3 神經(jīng)膠囊向量的計(jì)算
        4.4.4 動(dòng)態(tài)路由的工作原理
        4.4.5 邊緣損失函數(shù)
    4.5 門結(jié)構(gòu)擴(kuò)張卷積膠囊網(wǎng)絡(luò)的結(jié)構(gòu)
        4.5.1 門結(jié)構(gòu)層
        4.5.2 擴(kuò)張卷積層
        4.5.3 初級(jí)膠囊層
        4.5.4 數(shù)字膠囊層
        4.5.5 自編碼器重構(gòu)
        4.5.6 最終損失和Adam梯度優(yōu)化
    4.6 基于GDCCN的電機(jī)故障診斷實(shí)驗(yàn)驗(yàn)證
        4.6.1 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理
        4.6.2 GDCCN模型
        4.6.3 實(shí)驗(yàn)結(jié)果分析
    4.7 和其它常用診斷方法的比較分析
        4.7.1 與傳統(tǒng)機(jī)器學(xué)習(xí)方法比較
        4.7.2 與其他深度學(xué)習(xí)方法比較和不同環(huán)境噪聲下的魯棒性測(cè)試
    4.8 本章小結(jié)
第五章 異步電機(jī)故障診斷實(shí)驗(yàn)系統(tǒng)設(shè)計(jì)
    5.1 引言
    5.2 異步電機(jī)故障診斷系統(tǒng)方案
        5.2.1 異步電機(jī)常見(jiàn)故障模擬
        5.2.2 測(cè)試方案
    5.3 數(shù)據(jù)采集實(shí)驗(yàn)及結(jié)果
        5.3.1 數(shù)據(jù)采集實(shí)驗(yàn)設(shè)備
        5.3.2 數(shù)據(jù)采集系統(tǒng)界面
        5.3.3 數(shù)據(jù)采集結(jié)果
    5.4 數(shù)據(jù)處理
    5.5 異步電機(jī)故障診斷界面及結(jié)果
        5.5.1 故障診斷GUI軟件開(kāi)發(fā)環(huán)境
        5.5.2 異步電機(jī)故障診斷界面
    5.6 本章小結(jié)
第六章 結(jié)束語(yǔ)
    6.1 論文主要工作與創(chuàng)新點(diǎn)
    6.2 展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間取得的研究成果



本文編號(hào)：3658358