發(fā)布時間：2023-12-26 19:15

　　電力設(shè)備是關(guān)系到國計民生的重要設(shè)備,其運行狀態(tài)的穩(wěn)定對經(jīng)濟、安全影響嚴(yán)重。所以對電力設(shè)備運行狀態(tài)的監(jiān)測與故障診斷具有重要意義。由于電力設(shè)備現(xiàn)場環(huán)境復(fù)雜,在判斷上存在較大困難。如何提取故障特征成為判斷的關(guān)鍵。這些描述特征需要人為提取,適應(yīng)性很差,并且在識別中需要豐富的信號處理專業(yè)知識,并且要求技術(shù)人員有較強的與設(shè)備故障相關(guān)的專業(yè)知識。另外,大量隨機因素的存在導(dǎo)致誤判可能性加大。為了提高識別率,減少故障診斷對人為因素的依賴,本文采用了卷積神經(jīng)網(wǎng)絡(luò)的Faster R-CNN,對電力設(shè)備信號直接進行特征提取和識別,并且對設(shè)備不同運行狀態(tài)的故障進行測試,優(yōu)于傳統(tǒng)方法。主要研究工作和成果歸納如下:(1)針對信號采集中的噪聲信號處理問題,本論文采用了一種交叉小波變換的提取方法。在時頻域內(nèi)獲得了描述交叉譜圖特性的特征參數(shù),降低了噪聲信號對識別的影響。(2)在Faster R-CNN的框架基礎(chǔ)上研究了卷積神經(jīng)網(wǎng)絡(luò),掌握其結(jié)構(gòu)組成及卷積池化操作的過程和意義,實現(xiàn)一維時間序列的卷積操作。卷積池化結(jié)構(gòu)稀疏連接,提取到更細(xì)致的故障特征表達(dá)。(3)傳統(tǒng)訓(xùn)練方法需要樣本數(shù)量大時間長,因此通過對訓(xùn)練方法進行改進,改善...

【文章頁數(shù)】：49 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 狀態(tài)監(jiān)測國內(nèi)外研究現(xiàn)狀
        1.2.1 狀態(tài)監(jiān)測技術(shù)的研究現(xiàn)狀
        1.2.2 設(shè)備狀態(tài)識別研究現(xiàn)狀
        1.2.3 實驗檢測方法
    1.3 目前研究存在的問題
    1.4 本文內(nèi)容安排
第2章 實驗平臺搭建與信號采集
    2.1 變壓器數(shù)據(jù)采集
        2.1.1 油中放電模型
        2.1.2 采樣裝置
        2.1.3 變壓器局部放電特征提取
        2.1.4 放電信號的交叉小波變換
    2.2 振動數(shù)據(jù)采集
        2.2.1 振動傳感器
        2.2.2 數(shù)據(jù)采集卡
    2.3 本章小結(jié)
第3章 引入中心損失函數(shù)的Faster R-CNN
    3.1 卷積神經(jīng)網(wǎng)絡(luò)概述
    3.2 Faster R-CNN的發(fā)展
    3.3 Faster R-CNN的改進
    3.4 本章小結(jié)
第4章 基于Faster R-CNN的設(shè)備狀態(tài)識別
    4.1 基于BPNN和PNN的狀態(tài)識別
        4.1.1 BP神經(jīng)網(wǎng)絡(luò)
        4.1.2 概率神經(jīng)網(wǎng)絡(luò)
        4.1.3 BPNN神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計
    4.2 基于主動學(xué)習(xí)SVM的狀態(tài)識別
        4.2.1 多分類SVM
        4.2.2 核函數(shù)選擇
        4.2.3 參數(shù)選擇
        4.2.4 主動學(xué)習(xí)SVM
        4.2.5 基于主動學(xué)習(xí)SVM的狀態(tài)識別
    4.3 基于改進Faster R-CNN的狀態(tài)識別
        4.3.1 中心損失函數(shù)概述
        4.3.2 局部放電狀態(tài)識別
        4.3.3 轉(zhuǎn)子振動狀態(tài)識別
    4.4 本章小結(jié)
第5章 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
參考文獻(xiàn)
致謝
作者簡介



本文編號：3875392