基于神经网络的高压断路器故障检测
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究的目的与意义 | 第10-11页 |
| 1.2 国内外研究现状及发展方向 | 第11-17页 |
| 1.2.1 在线监测技术的发展现状 | 第11-14页 |
| 1.2.2 故障诊断技术的发展现状 | 第14-16页 |
| 1.2.3 基于神经网络的故障诊断技术发展现状 | 第16-17页 |
| 1.3 本研究课题的主要内容 | 第17-19页 |
| 第2章 高压断路器原理及诊断基础 | 第19-29页 |
| 2.1 高压断路器的种类 | 第19页 |
| 2.2 高压断路器的结构 | 第19-23页 |
| 2.2.1 灭弧室 | 第20-22页 |
| 2.2.2 操动机构 | 第22-23页 |
| 2.3 高压断路器的故障类别及原因 | 第23-24页 |
| 2.3.1 高压断路器拒动、误动故障及原因分析 | 第23页 |
| 2.3.2 开断、关合故障及原因分析 | 第23页 |
| 2.3.3 载流故障及原因分析 | 第23-24页 |
| 2.3.4 断路器的本体故障及原因分析 | 第24页 |
| 2.4 高压断路器监测信号及分析 | 第24-28页 |
| 2.4.1 电流信号的监测及分析 | 第24-27页 |
| 2.4.2 其他信号的监测及分析 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于反向传播神经网络的故障检测 | 第29-38页 |
| 3.1 反向传播神经网络简介 | 第29-31页 |
| 3.1.1 BP网络的结构与数学描述 | 第29-30页 |
| 3.1.2 BP网络的学习算法 | 第30-31页 |
| 3.2 融合粒子群算法的BP神经网络研究 | 第31-32页 |
| 3.3 故障诊断仿真模拟 | 第32-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于径向基神经网络的故障检测 | 第38-48页 |
| 4.1 径向基神经网络简介 | 第38-41页 |
| 4.1.1 RBF网络的结构与数学描述 | 第38-39页 |
| 4.1.2 RBF网络的学习算法 | 第39-41页 |
| 4.2 新的聚类方法优化的RBF神经网络研究 | 第41-43页 |
| 4.2.1 聚类的概述 | 第41-42页 |
| 4.2.2 基于减聚类算法的RBF神经网络原理 | 第42-43页 |
| 4.3 故障诊断仿真模拟 | 第43-47页 |
| 4.4 本章小结 | 第47-48页 |
| 结论与展望 | 第48-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53页 |
