摘要
1 绪论
1.1 课题研究的背景意义
1.1.1 课题的选题背景
1.1.2 课题研究的目的
1.1.3 课题研究的意义
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 高压断路器机械故障信息提取和特征识别方法
1.3.1 特征提取方法
1.3.2 故障识别方法
1.4.1 本文主要工作
1.4.2 本文的技术路线
2 高压断路器信号采集平台的建立及预处理
2.1 高压断路器
2.2 采集平台总体方案
2.3.1 传感器选择
2.3.2 现场数据采集单元
2.3.3 后台控制单元
2.4 系统软件
2.4.1 现场下位机软件
2.4.2 后台控制上位机软件
2.5 采集信号的预处理
2.5.1 阈值去噪
2.5.2 机械振动信号的去噪处理
2.6 本章小结
3 基于小波包-关联维数的高压断路器振动信号特征提取
3.1 小波变换
3.1.1 连续小波变换
3.1.2 离散二进小波变换
3.1.3 多尺度分析
3.2 小波包
3.3 相空间重构
3.3.1 相空间重构基本思想
3.3.2 延迟时间的选取
3.3.3 嵌入维数的选取
3.4 关联维数
3.4.1 分形维数的分类
3.4.2 关联维数的定义
3.4.3 G-P算法
3.5.2 小波包-关联维数的特征提取应用分析
3.6 本章小结
4 基于EEMD-特征熵的高压断路器振动信号特征提取
4.1.1 经验模态分解
4.1.2 总体平均经验模态分解
4.2 希尔伯特变换
4.3 信息熵
4.4 基于EEMD-特征熵特征的提取方法与实例分析
4.4.2 EMD-特征熵提取方法的应用分析
4.4.3 EEMD-特征熵提取方法的应用分析
4.5 本章小结
5 基于神经网络和支持向量机的高压断路器故障识别
5.1 神经网络
5.1.1 BP神经网络
5.1.2 小波神经网络
5.1.3 RBF神经网络
5.1.4 粒子群优化算法
5.2 支持向量机
5.2.1 最大间隔分类支持向量机
5.2.2 软间隔分类支持向量机
5.2.3 基于核的支持向量机
5.2.4 支持向量机的多类分类问题
5.3 基于神经网络的高压断路器故障诊断分类
5.3.1 基于BP神经网络的分类
5.3.2 基于RBF神经网络的分类
5.3.3 基于小波神经网络的分类
5.3.4 基于神经网络的未知样本分类
5.4 基于支持向量机的高压断路器故障诊断分类
5.4.1 支持向量机多分类策略
5.4.2 基于支持向量机多分类的故障识别
5.4.3 基于支持向量机的未知样本分类
5.5 本章小结
结论
参考文献
攻读学位期间发表的学术论文
攻读学位期间的科研成果
致谢
声明