开关柜状态检测和故障诊断系统研究
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究的背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 对智能开关设备的研究 | 第13-14页 |
| 1.2.2 对人工神经网络的研究 | 第14-16页 |
| 1.2.3 粒子群算法研究现状 | 第16-17页 |
| 1.2.4 研究评述 | 第17-18页 |
| 1.3 论文的主要研究内容 | 第18-19页 |
| 1.4 论文的组织结构 | 第19-20页 |
| 第2章 开关柜状态检测系统设计 | 第20-33页 |
| 2.1 开关柜状态检测系统概述 | 第20-21页 |
| 2.2 开关柜状态检测设计目标 | 第21-22页 |
| 2.3 开关柜状态检测系统设计 | 第22-28页 |
| 2.3.1 模拟量采集模块 | 第23页 |
| 2.3.2 开关量输入输出模块 | 第23-25页 |
| 2.3.3 人机接口单元 | 第25页 |
| 2.3.4 开关柜状态检测系统软件设计 | 第25-28页 |
| 2.4 系统通信设计 | 第28-32页 |
| 2.4.1 CAN总线简介 | 第28-29页 |
| 2.4.2 通信模块设计 | 第29页 |
| 2.4.3 系统通信的实现 | 第29-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 开关柜故障诊断系统设计 | 第33-47页 |
| 3.1 故障诊断人工神经网络模型的建立 | 第34-38页 |
| 3.1.1 神经元网络多变量故障诊断模型的建立 | 第34-36页 |
| 3.1.2 模型的训练 | 第36-38页 |
| 3.2 改进的粒子群算法 | 第38-44页 |
| 3.2.1 BP训练算法存在的缺陷 | 第38页 |
| 3.2.2 最优化理论 | 第38-39页 |
| 3.2.3 粒子群算法描述和主要参数分析 | 第39-41页 |
| 3.2.4 粒子群算法优化步骤 | 第41-42页 |
| 3.2.5 基本粒子群中速度项分析 | 第42页 |
| 3.2.6 简化粒子群算法 | 第42-43页 |
| 3.2.7 简化粒子群算法基本流程 | 第43-44页 |
| 3.2.8 粒子健康度的测算 | 第44页 |
| 3.3 改进粒子群算法测试 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第4章 系统仿真实验 | 第47-57页 |
| 4.1 系统测试环境 | 第47-48页 |
| 4.2 断路器分合闸状态检测测试 | 第48-51页 |
| 4.2.1 真空断路器的工作原理 | 第48页 |
| 4.2.2 电流波形仿真 | 第48-49页 |
| 4.2.3 处理方法仿真 | 第49-50页 |
| 4.2.4 状态检测测试结果分析 | 第50-51页 |
| 4.3 故障诊断测试 | 第51-54页 |
| 4.3.1 BP训练算法 | 第52-53页 |
| 4.3.2 改进的简化粒子群训练算法 | 第53-54页 |
| 4.4 通信模块测试 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 结论与展望 | 第57-60页 |
| 5.1 全文总结 | 第57-58页 |
| 5.2 研究展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 附表 | 第66页 |
