異步電機在日常生活和社會工業(yè)生產(chǎn)中都有廣泛應(yīng)用,由于電機長時間高速、高壓運轉(zhuǎn),加之環(huán)境惡劣,出現(xiàn)故障的幾率十分大,電機正常運轉(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)濟效益,因此采用先進科學(xué)技術(shù)對電機進行狀態(tài)監(jiān)測和故障診斷具有十分重要的意義,可實現(xiàn)對設(shè)備故障的早期發(fā)現(xiàn),有利于提高電機生產(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常見故障診斷中的應(yīng)用,主要研究工作如下:本文首先介紹了異步電機常見的故障類型,包括定子、轉(zhuǎn)子和軸承方面的故障,分析了電機產(chǎn)生這些故障的原因,進而引出電機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,真正實現(xiàn)了端到端的電機的大數(shù)據(jù)特征挖掘與故障診斷,通過實驗驗證了傳統(tǒng)CNN應(yīng)用于電機故障診斷領(lǐng)域的合理性。然后,針對傳統(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、模型魯棒性差的問題,提出基于門結(jié)構(gòu)擴張卷積膠囊網(wǎng)絡(luò)（Gate-struct... 

【文章頁數(shù)】：88 頁

【學(xué)位級別】：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 國內(nèi)外電機故障診斷研究現(xiàn)狀
        1.2.1 國內(nèi)研究現(xiàn)狀
        1.2.2 國外研究現(xiàn)狀
    1.3 論文的主要內(nèi)容與章節(jié)安排
第二章 異步電機故障診斷原理
    2.1 引言
    2.2 異步電機故障類型及原理
    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的電機故障診斷實驗驗證
        3.4.1 實驗數(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)擴張卷積膠囊網(wǎng)絡(luò)的電機故障診斷研究
    4.1 引言
    4.2 門結(jié)構(gòu)
    4.3 擴張卷積
    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)膠囊的實例化參數(shù)
        4.4.3 神經(jīng)膠囊向量的計算
        4.4.4 動態(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 擴張卷積層
        4.5.3 初級膠囊層
        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的電機故障診斷實驗驗證
        4.6.1 實驗數(shù)據(jù)預(yù)處理
        4.6.2 GDCCN模型
        4.6.3 實驗結(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試
    4.8 本章小結(jié)
第五章 異步電機故障診斷實驗系統(tǒng)設(shè)計
    5.1 引言
    5.2 異步電機故障診斷系統(tǒng)方案
        5.2.1 異步電機常見故障模擬
        5.2.2 測試方案
    5.3 數(shù)據(jù)采集實驗及結(jié)果
        5.3.1 數(shù)據(jù)采集實驗設(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 異步電機故障診斷界面及結(jié)果
        5.5.1 故障診斷GUI軟件開發(fā)環(huán)境
        5.5.2 異步電機故障診斷界面
    5.6 本章小結(jié)
第六章 結(jié)束語
    6.1 論文主要工作與創(chuàng)新點
    6.2 展望
參考文獻
致謝
攻讀碩士學(xué)位期間取得的研究成果



本文編號：3658358