| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的背景与意义 | 第10-11页 |
| 1.2 课题研究现状分析 | 第11-15页 |
| 1.2.1 基于模型的IGBT故障诊断研究现状 | 第12页 |
| 1.2.2 基于信号处理的IGBT故障诊断研究现状 | 第12-14页 |
| 1.2.3 本文应用方法的研究现状 | 第14-15页 |
| 1.3 本文的研究内容及章节安排 | 第15-16页 |
| 第2章 牵引逆变系统及故障研究分析 | 第16-24页 |
| 2.1 引言 | 第16页 |
| 2.2 牵引逆变系统简介 | 第16-19页 |
| 2.2.1 逆变系统的工作原理 | 第16-18页 |
| 2.2.2 逆变器的开关控制方法 | 第18-19页 |
| 2.3 牵引逆变系统的建模 | 第19-20页 |
| 2.4 逆变器中IGBT开路故障分析 | 第20-23页 |
| 2.4.1 牵引逆变器故障类型分析 | 第20-21页 |
| 2.4.2 牵引逆变器IGBT开路故障 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于熵的IGBT开路故障诊断方法研究 | 第24-51页 |
| 3.1 引言 | 第24页 |
| 3.2 基于熵的故障诊断方法 | 第24-37页 |
| 3.2.1 基于不同算法的熵 | 第24-27页 |
| 3.2.2 最优熵的选取 | 第27-30页 |
| 3.2.3 故障诊断思路及方案 | 第30-32页 |
| 3.2.4 仿真实验验证 | 第32-37页 |
| 3.3 基于谱峭度和小波包能量熵的故障诊断方法 | 第37-49页 |
| 3.3.1 基于CWD谱峭度 | 第37-38页 |
| 3.3.2 故障诊断思路及方案 | 第38-42页 |
| 3.3.3 诊断方案性能分析 | 第42-44页 |
| 3.3.4 实验验证 | 第44-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第4章 基于特征量和分类器的IGBT故障诊断方法研究 | 第51-65页 |
| 4.1 引言 | 第51页 |
| 4.2 基本理论 | 第51-54页 |
| 4.2.1 小波变换 | 第51-52页 |
| 4.2.2 神经网络 | 第52-54页 |
| 4.3 故障特征量的选取 | 第54-58页 |
| 4.3.1 基于小波分解的特征值 | 第54-57页 |
| 4.3.2 基于EMD的特征值 | 第57-58页 |
| 4.4 故障诊断 | 第58-63页 |
| 4.4.1 故障特征向量样本 | 第59页 |
| 4.4.2 神经网络模型的建立 | 第59-61页 |
| 4.4.3 故障诊断 | 第61-63页 |
| 4.5 本章小结 | 第63-65页 |
| 结论与展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第72页 |