基于群智能的永磁同步电机故障诊断
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-17页 |
| 1.1 选题背景及意义 | 第7-10页 |
| 1.2 永磁同步电机故障诊断研究现状 | 第10-15页 |
| 1.2.1 永磁同步电机故障诊断技术方法的分类 | 第11-14页 |
| 1.2.2 基于群智能的永磁同步电机的研究现状 | 第14-15页 |
| 1.3 主要研究内容 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 永磁同步电机数学模型 | 第17-24页 |
| 2.1 引言 | 第17页 |
| 2.2 永磁同步电机数学模型 | 第17-21页 |
| 2.2.1 静态状态永磁同步电机数学模型 | 第17-18页 |
| 2.2.2 电机坐标变换原理 | 第18-20页 |
| 2.2.3 dq旋转坐标系下数学模型 | 第20-21页 |
| 2.3 匝间短路故障状态下电机数学模型 | 第21-22页 |
| 2.3.1 匝间短路故障状态下静态数学模型 | 第21-22页 |
| 2.3.2 匝间短路故障状态下dq轴数学模型 | 第22页 |
| 2.4 驱动系统开路故障状态下电机数学模型 | 第22-23页 |
| 2.4.1 驱动系统开路故障状态下静态数学模型 | 第22页 |
| 2.4.2 驱动系统开路故障状态下dq轴数学模型 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 永磁同步电机驱动系统开路故障诊断 | 第24-38页 |
| 3.1 引言 | 第24页 |
| 3.2 极限学习机模型 | 第24-27页 |
| 3.2.1 极限学习机基础理论 | 第24-25页 |
| 3.2.2 极限学习机分类原理 | 第25-27页 |
| 3.3 粒子群算法 | 第27-29页 |
| 3.3.1 粒子群起源 | 第27-28页 |
| 3.3.2 粒子群基本原理 | 第28-29页 |
| 3.3.3 二阶粒子群算法 | 第29页 |
| 3.4 基于自适应二阶粒子群优化极限学习机方法 | 第29-33页 |
| 3.4.1 自适应二阶粒子群算法 | 第30页 |
| 3.4.2 二阶粒子群参数优化 | 第30-31页 |
| 3.4.3 算法步骤 | 第31页 |
| 3.4.4 算法流程 | 第31-33页 |
| 3.5 仿真及结果分析 | 第33-37页 |
| 3.6 结论 | 第37-38页 |
| 第四章 永磁同步电机定子匝间短路故障诊断 | 第38-54页 |
| 4.1 引言 | 第38页 |
| 4.2 基于小波分析与小波包分析的特征向量提取 | 第38-43页 |
| 4.2.1 小波分析 | 第38-40页 |
| 4.2.2 多分辨分析 | 第40-41页 |
| 4.2.3 Mallat算法 | 第41页 |
| 4.2.4 小波包分析 | 第41-43页 |
| 4.3 基于自适应动态猫群优化的支持向量机方法 | 第43-48页 |
| 4.3.1 支持向量机 | 第43-45页 |
| 4.3.2 猫群算法 | 第45-46页 |
| 4.3.3 自适应动态猫群 | 第46-47页 |
| 4.3.4 算法步骤 | 第47-48页 |
| 4.3.5 算法流程 | 第48页 |
| 4.4 仿真结果及分析 | 第48-53页 |
| 4.5 结论 | 第53-54页 |
| 第五章 总结与展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录：作者在攻读硕士学位期间校科研成果 | 第60页 |
