| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-17页 |
| ·本课题的研究背景及意义 | 第10-11页 |
| ·振动信号处理和特征值提取在高压断路器领域的研究现状 | 第11-13页 |
| ·基于数理统计的方法 | 第12页 |
| ·基于动态时间规整的方法 | 第12页 |
| ·小波变换 | 第12-13页 |
| ·时-频联合处理方法 | 第13页 |
| ·人工智能算法在断路器的机械故障诊断中的研究现状 | 第13-15页 |
| ·人工神经网络 | 第13-14页 |
| ·支持向量机 | 第14-15页 |
| ·课题的主要研究内容 | 第15-17页 |
| 第二章 振动信号的采集 | 第17-23页 |
| ·传感器的选择与安装 | 第17-19页 |
| ·传感器选择 | 第17页 |
| ·传感器的安装 | 第17-19页 |
| ·振动信号采集系统 | 第19-23页 |
| ·运算放大电路 | 第20页 |
| ·AD 转换模块 | 第20-21页 |
| ·信号处理模块 | 第21-23页 |
| 第三章 小波分析在振动信号处理中的研究 | 第23-33页 |
| ·小波变换 | 第23-25页 |
| ·基于小波的信号阈值去噪方法 | 第25-26页 |
| ·小波包特征熵 | 第26-33页 |
| ·小波包 | 第26-28页 |
| ·小波包的空间分解与重构 | 第28-29页 |
| ·特征熵提取 | 第29-33页 |
| 第四章 相关向量机的分类原理 | 第33-38页 |
| ·贝叶斯体系 | 第33-35页 |
| ·贝叶斯学习过程 | 第34页 |
| ·贝叶斯学习的优点与不足 | 第34页 |
| ·贝叶斯公式 | 第34-35页 |
| ·贝叶斯的统计模型 | 第35页 |
| ·相关向量机的分类模型 | 第35-38页 |
| 第五章 故障诊断的实验研究 | 第38-47页 |
| ·故障样本收集 | 第38-42页 |
| ·故障诊断步骤 | 第42页 |
| ·相关向量机分类器构建方法 | 第42-44页 |
| ·故障诊断试验 | 第44-47页 |
| 第六章 结论 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 在学研究成果 | 第52-54页 |
| 致谢 | 第54页 |