基于时频图和卷积神经网络的水电机组故障诊断研究

发布时间：2024-02-02 13:39

　　水电机组是水电站的核心设备,其健康状态关系到水电站乃至整个电网的安全稳定运行。振动信号含有最为完备的机组状态信息,但其影响因素众多且相互耦合,使得信号特征的提取和故障种类的识别非常困难。应用时频分析与卷积神经网络深度学习算法等信号处理和人工智能领域的先进成果进行特征提取和故障识别,对于提高故障诊断的准确率和提高水电机组的安全性具有重要意义。本文主要研究内容如下:首先,研究了水电机组的振动机理和振动信号的时频图。对水电机组振动故障进行分类,分析各类故障的产生原因、表现形式和影响因素,归纳总结了常见振动故障的特点及特征频率。研究了短时傅里叶变换、小波变换和Hilbert-Huang变换等时频分析方法,考虑不同窗口长度、不同小波基函数等因素,分别构造典型仿真信号的时频图,对比分析各类方法的特征表达性能,结果表明复Morlet小波变换所构成的时频图具有最好的时间-频率分辨率。其次,研究了卷积神经网络模型。介绍了卷积神经网络的基本原理和结构,分析了训练过程,对比了常用的优化算法,讨论了卷积神经网络过拟合出现的原因与解决方法,并介绍了卷积神经网络的分类流程。作为深度学习的重要算法之一,卷积神经网络...

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 水电机组振动信号的分析方法
        1.3.1 时域分析
        1.3.2 频域分析
        1.3.3 时频分析
    1.4 水电机组故障诊断方法
        1.4.1 人工神经网络
        1.4.2 故障树
        1.4.3 专家系统
        1.4.4 模糊聚类
        1.4.5 支持向量机
    1.5 深度学习发展现状
        1.5.1 深度置信网络
        1.5.2 深度自动编码器
        1.5.3 卷积神经网络
    1.6 论文研究内容
2 水电机组振动机理及其时频图像分析
    2.1 水电机组振动机理
        2.1.1 水力振动
        2.1.2 机械振动
        2.1.3 电磁振动
    2.2 水电机组振动信号时频分析
        2.2.1 短时傅里叶变换
        2.2.2 小波变换
        2.2.3 Hilbert-Huang变换
    2.3 振动信号仿真及时频分析
        2.3.1 仿真信号A的时频分析
        2.3.2 仿真信号B的时频分析
    2.4 本章小结
3 卷积神经网络
    3.1 卷积神经网络基本原理与结构
        3.1.1 卷积层
        3.1.2 池化层
        3.1.3 全连接层
        3.1.4 激活函数
        3.1.5 损失函数
    3.2 卷积神经网络训练过程
        3.2.1 前向传播
        3.2.2 反向传播
    3.3 卷积神经网络的优化算法
        3.3.1 随机梯度下降算法
        3.3.2 动量算法
        3.3.3 牛顿动量算法
        3.3.4 Adam算法
    3.4 卷积神经网络过拟合与正则化
        3.4.1 过拟合
        3.4.2 Dropout正则化
    3.5 卷积神经网络分类流程
    3.6 本章小结
4 基于卷积神经网络的水电机组时频图像识别
    4.1 实验模型与流程
    4.2 相同转速水电机组故障识别
        4.2.1 电站概况
        4.2.2 监测系统
        4.2.3 信号分析
        4.2.4 水电机组振动信号时频图的识别
    4.3 三种时频图对比分析
    4.4 不同转速水电机组故障识别
        4.4.1 实验样本
        4.4.2 时频分析与故障诊断
    4.5 本章小结
5 结论与展望
    5.1 结论
    5.2 展望
致谢
参考文献
攻读学位期间主要研究成果



本文编号：3892753