| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 引言 | 第9-13页 |
| 1.1 课题的研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 第2章 低压断路器的智能化及其常见故障 | 第13-20页 |
| 2.1 低压断路器基本结构 | 第13-15页 |
| 2.2 低压断路器的检修 | 第15-16页 |
| 2.3 低压断路器常见故障 | 第16-18页 |
| 2.4 低压断路器故障参数分析 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第3章 低压断路器的健康状态检测与评估 | 第20-28页 |
| 3.1 低压断路器的健康状态分析 | 第20-23页 |
| 3.2 低压断路器健康状态检测 | 第23-25页 |
| 3.3 低压断路器健康状态评估 | 第25-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第4章 小波理论及小波去噪方法 | 第28-42页 |
| 4.1 小波理论基础 | 第28-29页 |
| 4.2 小波变换理论 | 第29-33页 |
| 4.2.1 离散小波变换 | 第30-31页 |
| 4.2.2 小波阈值信号去噪方法 | 第31-33页 |
| 4.3 小波变换在低压断路器故障信号检测中的应用 | 第33-36页 |
| 4.4 小波变换仿真 | 第36-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第5章 小波分析与模糊神经网络算法在低压断路器故障分析的应用 | 第42-56页 |
| 5.1 模糊神经网络模型 | 第43-44页 |
| 5.2 模糊神经网络的学习算法 | 第44-48页 |
| 5.2.1 基于梯度下降的学习算法 | 第44-46页 |
| 5.2.2 基于递推最小二乘的学习算法 | 第46-47页 |
| 5.2.3 基于聚类法的学习算法 | 第47-48页 |
| 5.3 基于小波分析的模糊神经网络诊断思路与方法 | 第48-52页 |
| 5.3.1 故障诊断特征量的选取 | 第49-50页 |
| 5.3.2 基于模糊RBF神经网络的设计 | 第50-52页 |
| 5.4 实验结果分析 | 第52-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第6章 低压断路器的在线监测与诊断系统 | 第56-64页 |
| 6.1 系统整体机构 | 第57-59页 |
| 6.2 系统平台搭建 | 第59-63页 |
| 6.2.1 下位机硬件结构设计 | 第60-61页 |
| 6.2.2 上位机的软件实现 | 第61-63页 |
| 6.3 本章小结 | 第63-64页 |
| 第7章 全文总结与展望 | 第64-66页 |
| 7.1 本文工作内容 | 第64-65页 |
| 7.2 未来工作展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 附录 | 第71页 |