| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-28页 |
| ·课题的背景 | 第10页 |
| ·铝电解原理及故障槽况分类 | 第10-14页 |
| ·铝电解原理 | 第10-12页 |
| ·铝电解槽故障槽况分类 | 第12-14页 |
| ·铝电解槽槽况诊断方法的研究现状 | 第14-17页 |
| ·国外研究现状 | 第14-15页 |
| ·国内研究现状 | 第15-17页 |
| ·信号处理方法 | 第17-25页 |
| ·功率谱估计 | 第17-19页 |
| ·Hilbert-Huang变换 | 第19页 |
| ·小波变换 | 第19-21页 |
| ·小波包的变换 | 第21-23页 |
| ·神经网络 | 第23-25页 |
| ·本文的研究意义与研究内容 | 第25-28页 |
| 第二章 阳极电流信号的获取方法及波动原因分析 | 第28-42页 |
| ·阳极电流信号的获取 | 第28-31页 |
| ·阳极电流信号的计算 | 第28页 |
| ·信号采集所需硬件配置 | 第28-30页 |
| ·数据采集及槽况选取 | 第30-31页 |
| ·阳极电流信号的时域分析 | 第31-40页 |
| ·正常槽阳极电流信号的时域分析 | 第31-36页 |
| ·冷槽阳极电流信号的时域分析 | 第36-38页 |
| ·阴极破损槽阳极电流信号的时域分析 | 第38-40页 |
| ·阳极电流信号波动原因分析 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第三章 不同槽况下阳极电流信号的频谱分析 | 第42-52页 |
| ·不同槽况下的阳极电流信号的选取 | 第42-44页 |
| ·基于AR模型谱估计的Yule-Walker方法的频谱分析 | 第44-49页 |
| ·Yule-Walker方法 | 第44页 |
| ·AR模型阶次的选择 | 第44-46页 |
| ·阳极电流信号的频域分析 | 第46-47页 |
| ·三种槽况下阳极电流信号功率谱曲线主谱峰的范围分析 | 第47-49页 |
| ·功率谱估计与HHT分析结果的比较 | 第49-50页 |
| ·HHT边际谱分析 | 第49-50页 |
| ·两种方法对比的分析结果 | 第50页 |
| ·本章小结 | 第50-52页 |
| 第四章 不同槽况下阳极电流信号的能量特征提取 | 第52-64页 |
| ·小波包频带能量特征提取研究 | 第52-54页 |
| ·阳极电流信号的小波包能量特征提取 | 第54-63页 |
| ·阳极电流信号的除噪 | 第54-56页 |
| ·小波包4层分解的能量特征 | 第56-58页 |
| ·小波包5层分解的能量特征 | 第58-60页 |
| ·小波包优化分解的能量特征 | 第60-63页 |
| ·本章小结 | 第63-64页 |
| 第五章 基于小波包能量特征向量的BP神经网络诊断方法 | 第64-78页 |
| ·BP神经网络 | 第64-67页 |
| ·BP网络结构 | 第64-65页 |
| ·BP网络学习规则 | 第65-67页 |
| ·BP神经网络的设计 | 第67-70页 |
| ·网络层数的选择 | 第67页 |
| ·输入、输出和隐含层的设计 | 第67-68页 |
| ·传递函数的选择 | 第68-69页 |
| ·网络初始值的选取 | 第69页 |
| ·学习算法的选择 | 第69-70页 |
| ·学习速率 | 第70页 |
| ·训练停止条件 | 第70页 |
| ·基于BP神经网络的槽况诊断方法 | 第70-77页 |
| ·学习样本的确定 | 第70-71页 |
| ·网络创建及训练 | 第71-73页 |
| ·网络测试 | 第73页 |
| ·结果验证 | 第73-77页 |
| ·本章小结 | 第77-78页 |
| 第六章 结论与展望 | 第78-80页 |
| ·结论 | 第78-79页 |
| ·创新点 | 第79页 |
| ·下一步工作 | 第79-80页 |
| 参考文献 | 第80-85页 |
| 附表 | 第85-91页 |
| 攻读硕士学位期间发表论文及科研情况 | 第91-92页 |
| 致谢 | 第92页 |
