| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第14-28页 |
| 1.1 课题研究的背景意义 | 第14-20页 |
| 1.1.1 课题的选题背景 | 第14-16页 |
| 1.1.2 课题研究的目的 | 第16-19页 |
| 1.1.3 课题研究的意义 | 第19-20页 |
| 1.2 国内外研究现状 | 第20-22页 |
| 1.2.1 国外研究现状 | 第20-21页 |
| 1.2.2 国内研究现状 | 第21-22页 |
| 1.3 高压断路器机械故障信息提取和特征识别方法 | 第22-25页 |
| 1.3.1 特征提取方法 | 第23-24页 |
| 1.3.2 故障识别方法 | 第24-25页 |
| 1.4 本文的主要内容及研究方案 | 第25-28页 |
| 1.4.1 本文主要工作 | 第25-26页 |
| 1.4.2 本文的技术路线 | 第26-28页 |
| 2 高压断路器信号采集平台的建立及预处理 | 第28-46页 |
| 2.1 高压断路器 | 第28-30页 |
| 2.2 采集平台总体方案 | 第30-31页 |
| 2.3 系统硬件电路 | 第31-39页 |
| 2.3.1 传感器选择 | 第31-35页 |
| 2.3.2 现场数据采集单元 | 第35-38页 |
| 2.3.3 后台控制单元 | 第38-39页 |
| 2.4 系统软件 | 第39-41页 |
| 2.4.1 现场下位机软件 | 第39-40页 |
| 2.4.2 后台控制上位机软件 | 第40-41页 |
| 2.5 采集信号的预处理 | 第41-45页 |
| 2.5.1 阈值去噪 | 第42-43页 |
| 2.5.2 机械振动信号的去噪处理 | 第43-45页 |
| 2.6 本章小结 | 第45-46页 |
| 3 基于小波包-关联维数的高压断路器振动信号特征提取 | 第46-63页 |
| 3.1 小波变换 | 第46-48页 |
| 3.1.1 连续小波变换 | 第46-47页 |
| 3.1.2 离散二进小波变换 | 第47页 |
| 3.1.3 多尺度分析 | 第47-48页 |
| 3.2 小波包 | 第48-49页 |
| 3.3 相空间重构 | 第49-54页 |
| 3.3.1 相空间重构基本思想 | 第49-50页 |
| 3.3.2 延迟时间的选取 | 第50-52页 |
| 3.3.3 嵌入维数的选取 | 第52-54页 |
| 3.4 关联维数 | 第54-56页 |
| 3.4.1 分形维数的分类 | 第54-55页 |
| 3.4.2 关联维数的定义 | 第55-56页 |
| 3.4.3 G-P算法 | 第56页 |
| 3.5 基于小波包-关联维数的特征提取方法 | 第56-62页 |
| 3.5.1 小波包-关联维数的特征提取 | 第56-57页 |
| 3.5.2 小波包-关联维数的特征提取应用分析 | 第57-62页 |
| 3.6 本章小结 | 第62-63页 |
| 4 基于EEMD-特征熵的高压断路器振动信号特征提取 | 第63-76页 |
| 4.1 经验模态分解和总体平均经验模态分解 | 第63-67页 |
| 4.1.1 经验模态分解 | 第63-65页 |
| 4.1.2 总体平均经验模态分解 | 第65-67页 |
| 4.2 希尔伯特变换 | 第67-68页 |
| 4.3 信息熵 | 第68-69页 |
| 4.4 基于EEMD-特征熵特征的提取方法与实例分析 | 第69-75页 |
| 4.4.1 基于EEMD-特征熵的特征提取 | 第69-70页 |
| 4.4.2 EMD-特征熵提取方法的应用分析 | 第70-72页 |
| 4.4.3 EEMD-特征熵提取方法的应用分析 | 第72-75页 |
| 4.5 本章小结 | 第75-76页 |
| 5 基于神经网络和支持向量机的高压断路器故障识别 | 第76-108页 |
| 5.1 神经网络 | 第76-81页 |
| 5.1.1 BP神经网络 | 第76-78页 |
| 5.1.2 小波神经网络 | 第78-79页 |
| 5.1.3 RBF神经网络 | 第79-80页 |
| 5.1.4 粒子群优化算法 | 第80-81页 |
| 5.2 支持向量机 | 第81-85页 |
| 5.2.1 最大间隔分类支持向量机 | 第82-83页 |
| 5.2.2 软间隔分类支持向量机 | 第83-84页 |
| 5.2.3 基于核的支持向量机 | 第84页 |
| 5.2.4 支持向量机的多类分类问题 | 第84-85页 |
| 5.3 基于神经网络的高压断路器故障诊断分类 | 第85-105页 |
| 5.3.1 基于BP神经网络的分类 | 第85-98页 |
| 5.3.2 基于RBF神经网络的分类 | 第98-101页 |
| 5.3.3 基于小波神经网络的分类 | 第101-103页 |
| 5.3.4 基于神经网络的未知样本分类 | 第103-105页 |
| 5.4 基于支持向量机的高压断路器故障诊断分类 | 第105-107页 |
| 5.4.1 支持向量机多分类策略 | 第105页 |
| 5.4.2 基于支持向量机多分类的故障识别 | 第105-106页 |
| 5.4.3 基于支持向量机的未知样本分类 | 第106-107页 |
| 5.5 本章小结 | 第107-108页 |
| 结论 | 第108-110页 |
| 参考文献 | 第110-118页 |
| 攻读学位期间发表的学术论文 | 第118-119页 |
| 攻读学位期间的科研成果 | 第119-120页 |
| 致谢 | 第120-122页 |
| 东北林业大学博士学位论文修改情况确认表 | 第122-123页 |
