水電機組是水電站的核心設(shè)備,其健康狀態(tài)關(guān)系到水電站乃至整個電網(wǎng)的安全穩(wěn)定運行。振動信號含有最為完備的機組狀態(tài)信息,但其影響因素眾多且相互耦合,使得信號特征的提取和故障種類的識別非常困難。應(yīng)用時頻分析與卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法等信號處理和人工智能領(lǐng)域的先進成果進行特征提取和故障識別,對于提高故障診斷的準(zhǔn)確率和提高水電機組的安全性具有重要意義。本文主要研究內(nèi)容如下:首先,研究了水電機組的振動機理和振動信號的時頻圖。對水電機組振動故障進行分類,分析各類故障的產(chǎn)生原因、表現(xiàn)形式和影響因素,歸納總結(jié)了常見振動故障的特點及特征頻率。研究了短時傅里葉變換、小波變換和Hilbert-Huang變換等時頻分析方法,考慮不同窗口長度、不同小波基函數(shù)等因素,分別構(gòu)造典型仿真信號的時頻圖,對比分析各類方法的特征表達(dá)性能,結(jié)果表明復(fù)Morlet小波變換所構(gòu)成的時頻圖具有最好的時間-頻率分辨率。其次,研究了卷積神經(jīng)網(wǎng)絡(luò)模型。介紹了卷積神經(jīng)網(wǎng)絡(luò)的基本原理和結(jié)構(gòu),分析了訓(xùn)練過程,對比了常用的優(yōu)化算法,討論了卷積神經(jīng)網(wǎng)絡(luò)過擬合出現(xiàn)的原因與解決方法,并介紹了卷積神經(jīng)網(wǎng)絡(luò)的分類流程。作為深度學(xué)習(xí)的重要算法之一,卷積神經(jīng)網(wǎng)絡(luò)...

【文章頁數(shù)】：85 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 水電機組振動信號的分析方法
        1.3.1 時域分析
        1.3.2 頻域分析
        1.3.3 時頻分析
    1.4 水電機組故障診斷方法
        1.4.1 人工神經(jīng)網(wǎng)絡(luò)
        1.4.2 故障樹
        1.4.3 專家系統(tǒng)
        1.4.4 模糊聚類
        1.4.5 支持向量機
    1.5 深度學(xué)習(xí)發(fā)展現(xiàn)狀
        1.5.1 深度置信網(wǎng)絡(luò)
        1.5.2 深度自動編碼器
        1.5.3 卷積神經(jīng)網(wǎng)絡(luò)
    1.6 論文研究內(nèi)容
2 水電機組振動機理及其時頻圖像分析
    2.1 水電機組振動機理
        2.1.1 水力振動
        2.1.2 機械振動
        2.1.3 電磁振動
    2.2 水電機組振動信號時頻分析
        2.2.1 短時傅里葉變換
        2.2.2 小波變換
        2.2.3 Hilbert-Huang變換
    2.3 振動信號仿真及時頻分析
        2.3.1 仿真信號A的時頻分析
        2.3.2 仿真信號B的時頻分析
    2.4 本章小結(jié)
3 卷積神經(jīng)網(wǎng)絡(luò)
    3.1 卷積神經(jīng)網(wǎng)絡(luò)基本原理與結(jié)構(gòu)
        3.1.1 卷積層
        3.1.2 池化層
        3.1.3 全連接層
        3.1.4 激活函數(shù)
        3.1.5 損失函數(shù)
    3.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程
        3.2.1 前向傳播
        3.2.2 反向傳播
    3.3 卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法
        3.3.1 隨機梯度下降算法
        3.3.2 動量算法
        3.3.3 牛頓動量算法
        3.3.4 Adam算法
    3.4 卷積神經(jīng)網(wǎng)絡(luò)過擬合與正則化
        3.4.1 過擬合
        3.4.2 Dropout正則化
    3.5 卷積神經(jīng)網(wǎng)絡(luò)分類流程
    3.6 本章小結(jié)
4 基于卷積神經(jīng)網(wǎng)絡(luò)的水電機組時頻圖像識別
    4.1 實驗?zāi)Ｐ团c流程
    4.2 相同轉(zhuǎn)速水電機組故障識別
        4.2.1 電站概況
        4.2.2 監(jiān)測系統(tǒng)
        4.2.3 信號分析
        4.2.4 水電機組振動信號時頻圖的識別
    4.3 三種時頻圖對比分析
    4.4 不同轉(zhuǎn)速水電機組故障識別
        4.4.1 實驗樣本
        4.4.2 時頻分析與故障診斷
    4.5 本章小結(jié)
5 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間主要研究成果



本文編號：3892753