基于SF6衍生物的电气设备故障诊断与预警研究
| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论 | 第13-29页 |
| 1.1、研究背景与意义 | 第13-14页 |
| 1.2、国内外研究现状 | 第14-24页 |
| 1.2.1、SF_6电气设备故障检测方法 | 第14-18页 |
| 1.2.2、衍生物生成机制的研究现状 | 第18-19页 |
| 1.2.3、谱图处理现状 | 第19-21页 |
| 1.2.4、故障诊断专家系统研究现状 | 第21-24页 |
| 1.3、本文的研究内容与创新点 | 第24-29页 |
| 1.3.1、研究内容 | 第24-26页 |
| 1.3.2、本文拟解决的关键问题 | 第26-27页 |
| 1.3.3、本文的创新点 | 第27-29页 |
| 第二章 SF_6电气设备放电故障空间获取 | 第29-48页 |
| 2.1、引言 | 第29页 |
| 2.2、SF_6气体分解基础 | 第29-31页 |
| 2.3、SF_6衍生物的生成 | 第31-42页 |
| 2.3.1、放电种类划分 | 第31-32页 |
| 2.3.2、电弧放电下的产物 | 第32-36页 |
| 2.3.3、火花放电下的产物 | 第36-39页 |
| 2.3.4、电晕放电下的产物 | 第39-42页 |
| 2.4、实例讨论 | 第42-47页 |
| 2.4.1、实验 | 第43页 |
| 2.4.2、结果与分析 | 第43-47页 |
| 2.5、本章小结 | 第47-48页 |
| 第三章 光谱谱图处理方法研究 | 第48-66页 |
| 3.1、光谱原理概述 | 第48-50页 |
| 3.1.1、光谱产生原理 | 第48-49页 |
| 3.1.2、吸收光谱测量原理 | 第49-50页 |
| 3.2、谱图处理方法比较 | 第50-59页 |
| 3.2.1、谱图去噪 | 第51-54页 |
| 3.2.2、基线校正 | 第54-56页 |
| 3.2.3、峰位提取 | 第56-57页 |
| 3.2.4、完整方法概述 | 第57-59页 |
| 3.3、基于多尺度小波变换的光谱峰值提取算法 | 第59-65页 |
| 3.3.1、谱图的小波变换特征 | 第59-62页 |
| 3.3.2、算法实现 | 第62-64页 |
| 3.3.3、实验结果 | 第64-65页 |
| 3.4、本章小结 | 第65-66页 |
| 第四章 特征值获取 | 第66-87页 |
| 4.1、衍生物基础数据获取 | 第66-73页 |
| 4.1.1、谱图数据解读 | 第66-67页 |
| 4.1.2、谱图的定量分析 | 第67-73页 |
| 4.2、数据降维处理方法原理 | 第73-79页 |
| 4.2.1、主成分分析法 | 第73-76页 |
| 4.2.2、因子分析 | 第76-79页 |
| 4.3、SF_6气体衍生物的数据降维处理 | 第79-86页 |
| 4.3.1、主成分分析结果 | 第80-85页 |
| 4.3.2、因子分析结果 | 第85-86页 |
| 4.4、本章小结 | 第86-87页 |
| 第五章 预测模型 | 第87-108页 |
| 5.1、神经网络算法 | 第87-94页 |
| 5.1.1、径向基神经网络逼近与内插 | 第88页 |
| 5.1.2、径向基神经网络基本模型 | 第88-90页 |
| 5.1.3、径向基神经网络学习算法 | 第90-92页 |
| 5.1.4、径向基神经网络的收敛条件 | 第92-94页 |
| 5.2、决策树算法 | 第94-98页 |
| 5.2.1、决策树算法适用的问题 | 第94-95页 |
| 5.2.2、决策树的生成 | 第95-96页 |
| 5.2.3、决策树测试属性的选择 | 第96-97页 |
| 5.2.4、决策树修剪 | 第97-98页 |
| 5.3、实验结果 | 第98-107页 |
| 5.3.1、基于径向基神经网络的诊断模型实验结果 | 第98-103页 |
| 5.3.2、基于决策树的诊断模型实验结果 | 第103-105页 |
| 5.3.3、实验结果讨论 | 第105-107页 |
| 5.4、本章小结 | 第107-108页 |
| 第六章 总结与展望 | 第108-111页 |
| 6.1、主要工作总结 | 第108-109页 |
| 6.2、后续工作展望 | 第109-111页 |
| 参考文献 | 第111-117页 |
| 附录:攻读博士学位期间研究成果 | 第117-118页 |
| 致谢 | 第118页 |
