| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 电弧的定义及分类 | 第10-11页 |
| 1.3 直流电弧故障检测的技术研究和产品开发现状 | 第11-14页 |
| 1.3.1 技术研究 | 第11-13页 |
| 1.3.2 产品开发 | 第13-14页 |
| 1.4 直流电弧故障检测技术中需要重视问题 | 第14-15页 |
| 1.5 论文研究内容和组织结构 | 第15-16页 |
| 第二章 直流电弧故障实验平台的设计和数据的采集 | 第16-30页 |
| 2.1 直流电弧故障数据采集实验平台的搭建 | 第16-20页 |
| 2.1.1 采集数据种类的选择和数据采集装置的设计要求 | 第16-17页 |
| 2.1.2 电弧发生装置 | 第17-19页 |
| 2.1.3 锰铜片和高频电流互感器 | 第19-20页 |
| 2.1.4 电动自行车 | 第20页 |
| 2.2 数据采集装置的硬件设计 | 第20-25页 |
| 2.2.1 数据采集装置的硬件结构 | 第21-22页 |
| 2.2.2 电弧电压和线电流采集模块 | 第22-23页 |
| 2.2.3 线电流积分采集模块 | 第23-24页 |
| 2.2.4 线电流脉冲采集模块 | 第24页 |
| 2.2.5 数据存储模块 | 第24-25页 |
| 2.3 数据采集装置的软件设计 | 第25-29页 |
| 2.3.1 数据采集装置的软件主程序流程 | 第25-26页 |
| 2.3.2 模拟信号采集程序设计 | 第26-27页 |
| 2.3.3 脉冲信号采集程序设计 | 第27-28页 |
| 2.3.4 数据存储程序设计 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于SVM的直流电弧故障检测方法的设计方案 | 第30-43页 |
| 3.1 机器学习与SVM概述 | 第30-31页 |
| 3.1.1 机器学习概述 | 第30页 |
| 3.1.2 支持向量机SVM原理 | 第30-31页 |
| 3.2 基于SVM的直流电弧故障检测方法的设计方案概述 | 第31-32页 |
| 3.3 直流电弧故障的电流特性分析与特征量选择 | 第32-38页 |
| 3.3.1 直流电弧故障的时域分析 | 第32-36页 |
| 3.3.2 直流电弧故障的频域分析 | 第36-38页 |
| 3.3.3 直流电弧故障特征量的选取 | 第38页 |
| 3.4 训练样本集和测试集的构建 | 第38-42页 |
| 3.4.1 采集数据的格式转换 | 第39-40页 |
| 3.4.2 数据预处理 | 第40页 |
| 3.4.3 训练样本集与测试集的文件目录结构 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 直流电弧故障检测SVM分类器设计 | 第43-51页 |
| 4.1 SVM分类器设计和训练的软件平台 | 第43-45页 |
| 4.1.1 MATLAB简介 | 第43-44页 |
| 4.1.2 LIBSVM工具箱介绍及安装 | 第44-45页 |
| 4.2 直流电弧故障检测SVM分类器的设计 | 第45-47页 |
| 4.2.1 SVM分类器核函数选择 | 第46页 |
| 4.2.2 SVM分类器的训练函数与预测函数 | 第46-47页 |
| 4.3 基于粒子群算法的SVM分类器参数优化 | 第47-50页 |
| 4.3.1 粒子群算法PSO简介 | 第47页 |
| 4.3.2 优化SVM参数的粒子群算法流程 | 第47-49页 |
| 4.3.3 优化SVM参数粒子群算法中的K折交叉验证 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 直流电弧故障检测方法的实验与分析 | 第51-56页 |
| 5.1 SVM分类器训练 | 第51-52页 |
| 5.2 SVM分类器测试与分析 | 第52-56页 |
| 5.2.1 测试方法与测试数据 | 第53页 |
| 5.2.2 基本功能测试 | 第53-54页 |
| 5.2.3 误动作测试 | 第54-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 论文总结 | 第56页 |
| 6.2 工作展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录 | 第62页 |
