| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 绪论 | 第6-14页 |
| 1.1 课题来源 | 第6页 |
| 1.2 研究意义 | 第6-8页 |
| 1.3 辅助逆变系统发展现状 | 第8-9页 |
| 1.4 故障诊断技术概述 | 第9-12页 |
| 1.4.1 传统故障诊断技术 | 第9-10页 |
| 1.4.2 智能故障诊断技术 | 第10-12页 |
| 1.5 本文主要内容与结构安排 | 第12-14页 |
| 第二章 信号分析 | 第14-22页 |
| 引言 | 第14页 |
| 2.1 平稳信号分析 | 第14-17页 |
| 2.2 非平稳信号分析 | 第17-21页 |
| 2.2.1 短时傅里叶变换 | 第18-19页 |
| 2.2.2 小波变换 | 第19-21页 |
| 2.2.3 Wigner分布 | 第21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 Hilbert-Huang变换及其优化 | 第22-42页 |
| 3.1 Hilbert-Huang变换基本原理 | 第22-23页 |
| 3.2 本征模函数 | 第23-24页 |
| 3.3 EMD算法及其实验 | 第24-30页 |
| 3.3.1 EMD算法原理 | 第24-25页 |
| 3.3.2 EMD算法实验 | 第25-30页 |
| 3.4 Hilbert变换及Hilbert谱分析 | 第30-31页 |
| 3.4.1 Hilbert变换 | 第30-31页 |
| 3.4.2 Hilbert谱分析 | 第31页 |
| 3.5 EMD优化算法 | 第31-37页 |
| 3.5.1 EEMD算法原理 | 第32-33页 |
| 3.5.2 EEMD算法实验 | 第33-34页 |
| 3.5.3 LMD算法原理 | 第34-35页 |
| 3.5.4 LMD方法算法流程 | 第35-36页 |
| 3.5.6 LMD算法实验 | 第36-37页 |
| 3.6 故障特征向量提取 | 第37-40页 |
| 3.6.1 基于EEMD能量矩故障特征向量提取 | 第37-39页 |
| 3.6.2 基于EEMD近似熵故障特征向量提取 | 第39-40页 |
| 3.7 本章小结 | 第40-42页 |
| 第四章 基于QPSO-LSSVM故障诊断研究 | 第42-54页 |
| 4.1 LSSVM分类算法 | 第42-44页 |
| 4.2 量子粒子群算法 | 第44-48页 |
| 4.2.1 粒子群算法原理 | 第44-45页 |
| 4.2.2 量子粒子群算法原理 | 第45-48页 |
| 4.3 基于QPSO-LSSVM的地铁辅助逆变器故障诊断实验 | 第48-52页 |
| 4.3.1 基于QPSO的LSSVM参数优化 | 第48-51页 |
| 4.3.2 诊断结果 | 第51-52页 |
| 4.4 本章小结 | 第52-54页 |
| 第五章 基于GABP神经网络的故障诊断研究 | 第54-66页 |
| 5.1 BP神经网络 | 第54-56页 |
| 5.2 遗传算法 | 第56-59页 |
| 5.3 基于GABP神经网络的地铁辅助逆变器故障诊断实验 | 第59-63页 |
| 5.4 本章小结 | 第63-66页 |
| 总结与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读学位期间研究成果 | 第72-74页 |
| 致谢 | 第74-76页 |