电容性设备故障诊断系统的研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题意义 | 第9-10页 |
| 1.2 在线监测与故障诊断 | 第10-11页 |
| 1.2.1 在线监测与故障诊断的概念 | 第10页 |
| 1.2.2 在线监测与故障诊断的主要数据对象 | 第10-11页 |
| 1.2.3 在线监测与故障诊断技术 | 第11页 |
| 1.3 在线检测与故障诊断系统的研究现状 | 第11-13页 |
| 1.3.1 故障诊断主要方式 | 第12-13页 |
| 1.3.2 国内外研究与应用概况 | 第13页 |
| 1.4 本文研究内容与组织结构 | 第13-15页 |
| 第2章 基于介质损耗因数的故障诊断基础 | 第15-21页 |
| 2.1 故障诊断原理 | 第15-19页 |
| 2.1.1 基于介质损耗因数的故障诊断原理 | 第15-16页 |
| 2.1.2 介质损耗因数测量方法 | 第16-17页 |
| 2.1.3 影响介质损耗因数测量结果的因素 | 第17-19页 |
| 2.2 故障诊断方法 | 第19-21页 |
| 2.2.1 基于介质损耗因数的故障诊断常用方法 | 第19-20页 |
| 2.2.2 电容性设备的智能故障诊断方法 | 第20-21页 |
| 第3章 基于小波树的故障诊断方法 | 第21-29页 |
| 3.1 二层小波树方法 | 第21-22页 |
| 3.2 二层小波树在故障诊断中的应用 | 第22-25页 |
| 3.2.1 下层小波树诊断 | 第22-23页 |
| 3.2.2 上层小波树诊断 | 第23-25页 |
| 3.2.3 二层小波树诊断 | 第25页 |
| 3.3 诊断实例分析 | 第25-29页 |
| 第4章 基于神经网络的故障诊断方法 | 第29-39页 |
| 4.1 人工神经网络模型 | 第29-33页 |
| 4.1.1 BP 神经网络模型 | 第30-31页 |
| 4.1.2 神经网络的应用过程 | 第31-33页 |
| 4.2 神经网络在故障诊断中的应用 | 第33-35页 |
| 4.2.1 故障诊断特征值提取 | 第33页 |
| 4.2.2 故障特征向量的处理方法 | 第33页 |
| 4.2.3 神经网络结构确定 | 第33-35页 |
| 4.3 诊断实例分析 | 第35-39页 |
| 第5章 基于趋势分析的故障诊断方法 | 第39-46页 |
| 5.1 趋势分析方法 | 第39-40页 |
| 5.2 趋势分析诊断方法 | 第40-42页 |
| 5.2.1 数据流拟合方法 | 第41页 |
| 5.2.2 数据流分割方法 | 第41-42页 |
| 5.3 诊断实例分析 | 第42-46页 |
| 第6章 总结与展望 | 第46-48页 |
| 6.1 总结 | 第46页 |
| 6.2 展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51页 |
