基于动态贝叶斯网络的无人机巡检输电线路故障诊断研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题背景及意义 | 第9-10页 |
| 1.2 课题的研究现状 | 第10-12页 |
| 1.2.1 无人机巡检 | 第10-11页 |
| 1.2.2 输电线路故障诊断 | 第11-12页 |
| 1.3 本文的主要工作 | 第12-14页 |
| 第二章 输电线路主要部件的故障分类及状态分析 | 第14-21页 |
| 2.1 故障模式影响分析技术 | 第14-16页 |
| 2.1.1 技术简介 | 第14-15页 |
| 2.1.2 技术流程分析 | 第15-16页 |
| 2.2 输电线路主要部件的故障状态分析 | 第16-20页 |
| 2.2.1 杆塔故障及状态分析 | 第16-17页 |
| 2.2.2 绝缘子故障及状态分析 | 第17-18页 |
| 2.2.3 金具故障及状态分析 | 第18-19页 |
| 2.2.4 导地线故障及状态分析 | 第19页 |
| 2.2.5 基础接地装置故障及状态分析 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 小样本数据条件下的输电线路故障分类诊断 | 第21-37页 |
| 3.1 支持向量机理论 | 第21-25页 |
| 3.1.1 最优分类面 | 第21-23页 |
| 3.1.2 广义最优分类面 | 第23-24页 |
| 3.1.3 回归算法基本理论 | 第24-25页 |
| 3.2 小样本数据条件下的故障分类诊断 | 第25-27页 |
| 3.2.1 数据归一化处理和构建训练集 | 第25页 |
| 3.2.2 故障分类诊断模型和判定性能标准 | 第25-27页 |
| 3.3 基于交叉验证和遗传算法的故障分类诊断 | 第27-32页 |
| 3.3.1 交叉验证故障分类诊断 | 第27-30页 |
| 3.3.2 遗传算法故障分类诊断 | 第30-32页 |
| 3.4 改进粒子群算法的故障分类诊断 | 第32-36页 |
| 3.4.1 粒子群算法基本原理 | 第32-33页 |
| 3.4.2 对粒子群算法进行改进 | 第33页 |
| 3.4.3 确定惩罚因子c和核函数参数g | 第33-34页 |
| 3.4.4 仿真实验 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于数据扩展的动态贝叶斯网络故障预测 | 第37-49页 |
| 4.1 动态贝叶斯网络 | 第37-39页 |
| 4.1.1 动态贝叶斯网络的定义 | 第37-38页 |
| 4.1.2 动态贝叶斯网络的参数学习 | 第38-39页 |
| 4.2 动态贝叶斯网络的隐马尔科夫表达 | 第39-40页 |
| 4.2.1 标准的HMM及HMM的学习推理 | 第39-40页 |
| 4.2.2 DBN与HMM的转换 | 第40页 |
| 4.3 基于连续HMM和AR模型的预测建模 | 第40-44页 |
| 4.3.1 AR特征提取 | 第41页 |
| 4.3.2 加权预测算法 | 第41-43页 |
| 4.3.3 建立预测模型和参数选择 | 第43-44页 |
| 4.4 基于数据扩展的DBN预测方法 | 第44-47页 |
| 4.4.1 问题的提出 | 第44-45页 |
| 4.4.2 方法的选择 | 第45-46页 |
| 4.4.3 利用数据扩展计算条件概率 | 第46-47页 |
| 4.4.4 仿真实验 | 第47页 |
| 4.5 本章小结 | 第47-49页 |
| 第五章 输电线路故障诊断系统 | 第49-55页 |
| 5.1 系统设计 | 第49-50页 |
| 5.2 系统介绍 | 第50-54页 |
| 5.2.1 登录界面 | 第51页 |
| 5.2.2 系统界面 | 第51-52页 |
| 5.2.3 状态评估界面 | 第52-53页 |
| 5.2.4 状态预测界面 | 第53-54页 |
| 5.3 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 附录 | 第61-69页 |
| 攻读硕士学位期间发表的论文及其它工作 | 第69-70页 |
| 致谢 | 第70页 |
