| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第13-29页 |
| 1.1 研究背景 | 第13-16页 |
| 1.2 研究目的及意义 | 第16-17页 |
| 1.3 国内外研究现状 | 第17-26页 |
| 1.3.1 故障诊断相关技术研究现状 | 第17-23页 |
| 1.3.2 受电弓故障诊断研究现状 | 第23-26页 |
| 1.4 本文研究内容及章节安排 | 第26-29页 |
| 第2章 受电弓结构及主要故障形式 | 第29-46页 |
| 2.1 引言 | 第29页 |
| 2.2 受电弓结构 | 第29-30页 |
| 2.3 受电弓振动机理分析 | 第30-31页 |
| 2.3.1 接触网弹性不均匀引起的振动 | 第30页 |
| 2.3.2 车桥系统引起的振动 | 第30页 |
| 2.3.3 接触网不平顺引起的振动 | 第30页 |
| 2.3.4 接触网波动效应引起的振动 | 第30-31页 |
| 2.3.5 气动作用引起的振动 | 第31页 |
| 2.4 受电弓动力学分析 | 第31-37页 |
| 2.5 受电弓主要故障形式 | 第37-41页 |
| 2.5.1 机械部件故障 | 第37-40页 |
| 2.5.2 电气系统故障 | 第40页 |
| 2.5.3 风管系统故障 | 第40页 |
| 2.5.4 受电弓故障汇总 | 第40-41页 |
| 2.6 受电弓台架试验 | 第41-45页 |
| 2.6.1 受电弓振动数据采集 | 第41-43页 |
| 2.6.2 受电弓不同运行状态下的台架试验 | 第43-45页 |
| 2.7 小结 | 第45-46页 |
| 第3章 受电弓振动信号分解及降噪技术研究 | 第46-65页 |
| 3.1 引言 | 第46页 |
| 3.2 改进EEMD分解 | 第46-55页 |
| 3.2.1 EEMD相关基础原理 | 第46-48页 |
| 3.2.2 基于四分位差的极值点分布特性评价模型 | 第48-49页 |
| 3.2.3 基于相关系数法的IMFs分量选择 | 第49-50页 |
| 3.2.4 仿真信号分析 | 第50-53页 |
| 3.2.5 受电弓实测信号分析 | 第53-55页 |
| 3.3 改进EEMD分解及流形学习算法降噪技术研究 | 第55-64页 |
| 3.3.1 相空间重构 | 第55-56页 |
| 3.3.2 嵌入维数和延迟时间选择 | 第56-57页 |
| 3.3.3 局部切空间排列算法 | 第57-58页 |
| 3.3.4 本征维数估计 | 第58-59页 |
| 3.3.5 基于改进EEMD分解及LSTA流形学习算法的信号降噪流程 | 第59-60页 |
| 3.3.6 仿真信号分析 | 第60-64页 |
| 3.4 小结 | 第64-65页 |
| 第4章 基于改进EEMD熵特征的受电弓故障诊断研究 | 第65-95页 |
| 4.1 引言 | 第65页 |
| 4.2 受电弓故障信号的改进EEMD熵特征分析 | 第65-77页 |
| 4.2.1 改进EEMD能量熵 | 第65页 |
| 4.2.2 改进EEMD奇异熵 | 第65-66页 |
| 4.2.3 改进EEMD排列熵 | 第66-69页 |
| 4.2.4 改进EEMD近似熵 | 第69-71页 |
| 4.2.5 改进EEMD样本熵 | 第71-74页 |
| 4.2.6 改进EEMD模糊熵 | 第74-77页 |
| 4.3 基于PSO的SVM参数优化方法 | 第77页 |
| 4.3.1 PSO算法原理 | 第77页 |
| 4.3.2 SVM分类原理 | 第77页 |
| 4.3.3 基于PSO的SVM参数优化方法 | 第77页 |
| 4.4 基于改进EEMD熵特征与PSO-SVM的受电弓故障诊断方法 | 第77-93页 |
| 4.4.1 故障诊断系统框架 | 第77-78页 |
| 4.4.2 受电弓故障信号改进EEMD能量熵特征 | 第78-81页 |
| 4.4.3 受电弓故障信号改进EEMD奇异熵特征 | 第81-83页 |
| 4.4.4 受电弓故障信号改进EEMD排列熵特征 | 第83-86页 |
| 4.4.5 受电弓故障信号改进EEMD近似熵特征 | 第86-88页 |
| 4.4.6 受电弓故障信号改进EEMD样本熵特征 | 第88-91页 |
| 4.4.7 受电弓故障信号改进EEMD模糊熵特征 | 第91-93页 |
| 4.5 小结 | 第93-95页 |
| 第5章 基于二代小波熵特征的受电弓故障诊断研究 | 第95-119页 |
| 5.1 引言 | 第95页 |
| 5.2 二代小波分解理论 | 第95-97页 |
| 5.2.1 信号剖分过程 | 第95页 |
| 5.2.2 预测算子计算过程 | 第95-96页 |
| 5.2.3 信号预测过程 | 第96页 |
| 5.2.4 更新算子计算过程 | 第96页 |
| 5.2.5 信号更新过程 | 第96-97页 |
| 5.3 受电弓振动信号二代小波分解 | 第97页 |
| 5.4 二代小波信息熵定义 | 第97-99页 |
| 5.4.1 二代小波能量熵 | 第97-98页 |
| 5.4.2 二代小波奇异熵 | 第98页 |
| 5.4.3 二代小波排列熵 | 第98-99页 |
| 5.4.4 二代小波近似熵 | 第99页 |
| 5.4.5 二代小波样本熵 | 第99页 |
| 5.4.6 二代小波模糊熵 | 第99页 |
| 5.5 基于二代小波熵特征与PSO-SVM的受电弓故障诊断方法 | 第99-117页 |
| 5.5.1 受电弓故障信号二代小波能量熵特征 | 第99-102页 |
| 5.5.2 受电弓故障信号二代小波奇异熵特征 | 第102-105页 |
| 5.5.3 受电弓故障信号二代小波排列熵特征 | 第105-108页 |
| 5.5.4 受电弓故障信号二代小波近似熵特征 | 第108-111页 |
| 5.5.5 受电弓故障信号二代小波样本熵特征 | 第111-114页 |
| 5.5.6 受电弓故障信号二代小波模糊熵特征 | 第114-117页 |
| 5.6 小结 | 第117-119页 |
| 第6章 受电弓故障特征融合诊断方法研究 | 第119-132页 |
| 6.1 引言 | 第119页 |
| 6.2 受电弓故障特征融合分析模型 | 第119-120页 |
| 6.3 受电弓故障特征选择研究 | 第120-127页 |
| 6.3.1 ReliefF算法 | 第121页 |
| 6.3.2 距离评价指数算法 | 第121-122页 |
| 6.3.3 联合互信息算法 | 第122-123页 |
| 6.3.4 基于多重特征排序准则的特征选择模型 | 第123-124页 |
| 6.3.5 受电弓碳滑板振动数据分析 | 第124-127页 |
| 6.4 受电弓故障特征流形学习降维研究 | 第127-131页 |
| 6.4.1 等距映射流形方法(ISOMAP) | 第127-128页 |
| 6.4.2 拉普拉斯特征映射流形算法(LE) | 第128页 |
| 6.4.3 线性局部切空间排列算法(LLTSA) | 第128-129页 |
| 6.4.4 受电弓碳滑板振动数据分析 | 第129-131页 |
| 6.5 小结 | 第131-132页 |
| 总结与展望 | 第132-134页 |
| 致谢 | 第134-135页 |
| 参考文献 | 第135-142页 |
| 攻读博士学位期间成果 | 第142页 |
