动车组交流传动主电路故障诊断的研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究选题背景及意义 | 第10页 |
| 1.2 电力电子系统故障诊断的主要技术 | 第10-12页 |
| 1.3 本文主要研究内容 | 第12-14页 |
| 1.3.1 研究对象 | 第12页 |
| 1.3.2 研究方法 | 第12页 |
| 1.3.3 研究背景与内容 | 第12-14页 |
| 第2章 CRH2交流传动主电路故障样本库的建立 | 第14-41页 |
| 2.1 交流传动主电路的组成 | 第14-15页 |
| 2.2 牵引逆变器原理与仿真 | 第15-30页 |
| 2.2.1 三电平逆变器原理 | 第15-16页 |
| 2.2.2 空间矢量调制原理 | 第16-18页 |
| 2.2.3 扇区选择模块 | 第18-20页 |
| 2.2.4 矢量作用时间模块 | 第20-25页 |
| 2.2.5 时间状态分配模块 | 第25-29页 |
| 2.2.6 三点式PWM逆变器仿真 | 第29-30页 |
| 2.3 交流传动主电路的故障分类与编码 | 第30-40页 |
| 2.3.1 单桥臂的单个开关器件断路故障 | 第32-33页 |
| 2.3.2 单桥臂的两个开关器件断路故障 | 第33-35页 |
| 2.3.3 交叉桥臂上上(下下)两个开关器件断路 | 第35-37页 |
| 2.3.4 叉桥臂上下两个开关器件断路 | 第37-38页 |
| 2.3.5 故障的编码 | 第38-40页 |
| 2.4 本章小结 | 第40-41页 |
| 第3章 基于神经网络的故障诊断 | 第41-58页 |
| 3.1 故障特征的提取 | 第41-47页 |
| 3.1.1 故障数据的仿真 | 第41页 |
| 3.1.2 小波理论 | 第41-43页 |
| 3.1.3 特征的提取 | 第43-47页 |
| 3.2 神经网络模型的设计 | 第47-49页 |
| 3.2.1 BP神经网络 | 第47-48页 |
| 3.2.2 BP神经网络结构的设计 | 第48-49页 |
| 3.3 神经网络的学习方法 | 第49-53页 |
| 3.3.1 BP神经网络的学习算法 | 第49-52页 |
| 3.3.2 BP神经网络的学习算法的改进 | 第52-53页 |
| 3.4 神经网络的训练 | 第53-57页 |
| 3.5 本章小节 | 第57-58页 |
| 第4章 故障诊断方法的改进 | 第58-66页 |
| 4.1 群体智能优化算法简介 | 第58-59页 |
| 4.2 粒子群优化算法 | 第59-61页 |
| 4.2.1 粒子群优化算法原理 | 第59-60页 |
| 4.2.2 粒子群进化行为的分析 | 第60-61页 |
| 4.3 粒子群算法对神经网络参数的优化 | 第61-62页 |
| 4.4 量子行为粒子群优化算法 | 第62-64页 |
| 4.4.1 量子计算基本原理 | 第62页 |
| 4.4.2 量子行为粒子群优化算法原理 | 第62-63页 |
| 4.4.3 量子行为粒子群优化算法的基本流程 | 第63-64页 |
| 4.5 量子行为粒子群算法对神经网络参数的优化 | 第64-65页 |
| 4.6 本章小节 | 第65-66页 |
| 结论 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-70页 |
| 附录1 (小波包分解核心代码) | 第70-71页 |
| 附录2 (BP神经网络训练结果) | 第71-74页 |
| 附录3 (PSO部分核心代码) | 第74-75页 |
| 附录4 (QPSO部分核心代码) | 第75页 |
