摘要 | 第5-6页 |
abstract | 第6页 |
第1章 绪论 | 第9-13页 |
1.1 课题背景和意义 | 第9页 |
1.2 国内外研究现状 | 第9-12页 |
1.2.1 牵引供电系统故障诊断研究现状 | 第9-11页 |
1.2.2 牵引变压器故障诊断研究现状 | 第11-12页 |
1.3 本文主要完成的工作 | 第12-13页 |
第2章 基于贝叶斯网络的牵引供电系统故障诊断 | 第13-32页 |
2.1 牵引供电系统故障诊断流程 | 第13-14页 |
2.2 故障诊断方法 | 第14-22页 |
2.2.1 贝叶斯网络模型 | 第14-18页 |
2.2.2 不同天气状态下的设备故障率 | 第18-19页 |
2.2.3 基于蒙特卡洛模拟的牵引供电故障模拟模型 | 第19-22页 |
2.3 算例分析 | 第22-31页 |
2.3.1 牵引供电系统拓扑结构 | 第22-23页 |
2.3.2 牵引供电系统各元件贝叶斯网络结构建立 | 第23-27页 |
2.3.3 贝叶斯网络参数估计 | 第27-29页 |
2.3.4 贝叶斯网络推理计算 | 第29-30页 |
2.3.5 对比分析 | 第30-31页 |
2.4 本章小结 | 第31-32页 |
第3章 粒子群优化神经网络的牵引变压器故障诊断 | 第32-44页 |
3.1 油气形成机理及其含量特征分析 | 第32-34页 |
3.1.1 产气原理 | 第32-33页 |
3.1.2 改良三比值法 | 第33-34页 |
3.2 牵引变压器故障诊断 | 第34-38页 |
3.2.1 故障诊断流程 | 第34-37页 |
3.2.2 改进适应度函数的粒子群算法训练神经网络 | 第37-38页 |
3.3 算例分析 | 第38-43页 |
3.4 本章小结 | 第43-44页 |
第4章 基于改进灰色预测的牵引变压器故障预测 | 第44-55页 |
4.1 基于改进灰色预测的牵引变压器故障预测方法 | 第44页 |
4.2 灰色预测 | 第44-48页 |
4.2.1 灰色预测原理 | 第44-47页 |
4.2.2 改进灰色预测模型 | 第47-48页 |
4.3 算例分析 | 第48-54页 |
4.4 本章小结 | 第54-55页 |
结论及展望 | 第55-56页 |
致谢 | 第56-57页 |
参考文献 | 第57-61页 |
攻读硕士学位期间的学术成果 | 第61页 |