| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-26页 |
| 1.1 研究背景及选题意义 | 第11-13页 |
| 1.1.1 引言 | 第11-12页 |
| 1.1.2 开关电源故障诊断研究背景及选题意义 | 第12-13页 |
| 1.2 开关电源故障诊断技术研究现状 | 第13-23页 |
| 1.2.1 开关电源故障诊断方法概述 | 第14-18页 |
| 1.2.2 开关电源故障特征提取方法概述 | 第18-23页 |
| 1.3 论文主要研究内容 | 第23-26页 |
| 第2章 基于WPT-PCA的开关电源故障特征提取 | 第26-47页 |
| 2.1 基于WPT-PCA的开关电源故障特征提取原理 | 第26-33页 |
| 2.1.1 基于小波包分解的信号降噪原理 | 第26-31页 |
| 2.1.2 基于WPT-PCA的频带能量故障特征提取 | 第31-33页 |
| 2.2 实验模型搭建 | 第33-36页 |
| 2.3 实验结果与分析 | 第36-46页 |
| 2.3.1 小波包预处理结果分析 | 第36页 |
| 2.3.2 WPT-PCA提取故障特征结果分析 | 第36-46页 |
| 2.4 本章小结 | 第46-47页 |
| 第3章 万有引力搜索算法的改进及仿真验证 | 第47-59页 |
| 3.1 引言 | 第47页 |
| 3.2 基于时变权重的IGSA优化算法 | 第47-51页 |
| 3.2.1 基于时变权重的IGSA算法原理 | 第47-51页 |
| 3.2.2 基于时变权重的IGSA算法流程 | 第51页 |
| 3.3 基于边界变异的IGSA优化算法 | 第51-52页 |
| 3.3.1 基于边界变异的IGSA算法原理 | 第51-52页 |
| 3.3.2 基于边界变异的IGSA算法流程 | 第52页 |
| 3.4 基于时变权重及边界变异的IGSA算法仿真与验证 | 第52-58页 |
| 3.4.1 问题提出 | 第53页 |
| 3.4.2 问题分析 | 第53页 |
| 3.4.3 仿真结果 | 第53-54页 |
| 3.4.4 结果对比分析 | 第54-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第4章 基于IGSA-神经网络的开关电源故障诊断方法研究 | 第59-69页 |
| 4.1 引言 | 第59页 |
| 4.2 基于IGSA-BPNN的开关电源故障诊断研究 | 第59-64页 |
| 4.2.1 IGSA-BPNN算法原理 | 第59-61页 |
| 4.2.2 IGSA-BPNN算法流程 | 第61-63页 |
| 4.2.3 基于IGSA-BPNN的开关电源故障诊断仿真与结果分析 | 第63-64页 |
| 4.3 基于IGSA-RBFNN的开关电源故障诊断研究 | 第64-67页 |
| 4.3.1 IGSA-RBFNN算法原理 | 第64-65页 |
| 4.3.2 IGSA-RBFNN算法流程 | 第65-66页 |
| 4.3.3 基于IGSA-RBFNN的开关电源故障诊断仿真与结果分析 | 第66-67页 |
| 4.4 基于IGSA-神经网络的开关电源故障诊断小结 | 第67-69页 |
| 第5章 开关电源故障诊断系统实验平台设计 | 第69-81页 |
| 5.1 基于LabVIEW的开关电源故障诊断软件总体设计方案 | 第69页 |
| 5.2 开关电源故障诊断系统登录界面设计 | 第69页 |
| 5.3 开关电源主界面设计 | 第69-79页 |
| 5.3.1 开关电源数据采集模块设计 | 第69-76页 |
| 5.3.2 开关电源数据预处理模块设计 | 第76-77页 |
| 5.3.3 开关电源故障特征提取模块设计 | 第77-79页 |
| 5.3.4 开关电源故障诊断模块设计 | 第79页 |
| 5.4 本章小结 | 第79-81页 |
| 结论 | 第81-82页 |
| 参考文献 | 第82-89页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第89-90页 |
| 致谢 | 第90-91页 |
| 附录A | 第91-92页 |
| 附录B | 第92-93页 |
