| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 插图索引 | 第12-14页 |
| 附表索引 | 第14-15页 |
| 第1章 绪论 | 第15-23页 |
| 1.1 选题意义 | 第15-16页 |
| 1.2 定子匝间故障诊断方法的研究现状 | 第16-21页 |
| 1.3 本文的主要研究内容及结构安排 | 第21-23页 |
| 第2章 基于故障机理建模的匝间故障诊断方法 | 第23-50页 |
| 2.1 引言 | 第23页 |
| 2.2 三相异步电机正常状态模型 | 第23-27页 |
| 2.2.1 abc 相坐标模型 | 第23-25页 |
| 2.2.2 dq0 坐标模型 | 第25-27页 |
| 2.3 定子绕组匝间故障模型 | 第27-37页 |
| 2.3.1 abc 相坐标模型 | 第27-29页 |
| 2.3.2 dq0 坐标模型 | 第29-30页 |
| 2.3.3 故障模型分析 | 第30-32页 |
| 2.3.4 故障仿真 | 第32-37页 |
| 2.4 基于改进匝间故障模型的诊断方法 | 第37-42页 |
| 2.4.1 改进的匝间故障模型 | 第37-38页 |
| 2.4.2 计算误差分析 | 第38-41页 |
| 2.4.3 故障特征的提取 | 第41-42页 |
| 2.5 诊断实例 | 第42-48页 |
| 2.5.1 试验系统 | 第42-43页 |
| 2.5.2 试验过程 | 第43-44页 |
| 2.5.3 试验结果 | 第44-48页 |
| 2.6 本章小结 | 第48-50页 |
| 第3章 基于扩展 Park 变换和模糊神经网络的匝间故障诊断方法 | 第50-66页 |
| 3.1 引言 | 第50页 |
| 3.2 Park 矢量方法 | 第50-52页 |
| 3.3 模糊神经网络 | 第52-53页 |
| 3.4 基于扩展 Park 变换和 FNN 的诊断方法 | 第53-59页 |
| 3.4.1 故障特征因子的提取 | 第53-56页 |
| 3.4.2 诊断模型 | 第56-59页 |
| 3.4.2.1 模型结构 | 第56-57页 |
| 3.4.2.2 FNN 的训练 | 第57-59页 |
| 3.5 诊断实例 | 第59-65页 |
| 3.5.1 试验过程 | 第59-60页 |
| 3.5.2 训练数据的获取 | 第60-62页 |
| 3.5.3 试验结果 | 第62-65页 |
| 3.6 本章小结 | 第65-66页 |
| 第4章 基于递归小波神经网络的匝间故障诊断方法 | 第66-80页 |
| 4.1 引言 | 第66页 |
| 4.2 递归小波神经网络 | 第66-69页 |
| 4.2.1 小波变换的物理意义 | 第66-67页 |
| 4.2.2 递归小波神经网络 | 第67-69页 |
| 4.3 基于 RWNN 的匝间故障诊断方法 | 第69-75页 |
| 4.3.1 诊断方法 | 第69-70页 |
| 4.3.2 RWNN 的结构 | 第70-71页 |
| 4.3.3 RWNN 的训练算法 | 第71-75页 |
| 4.3.3.1 LM 算法 | 第72-73页 |
| 4.3.3.2 RWNN 性能测试 | 第73-75页 |
| 4.4 诊断实例 | 第75-79页 |
| 4.4.1 试验过程 | 第75页 |
| 4.4.2 试验结果 | 第75-79页 |
| 4.5 本章小结 | 第79-80页 |
| 第5章 基于故障模型与神经网络的匝间故障定位方法 | 第80-100页 |
| 5.1 引言 | 第80页 |
| 5.2 故障特征提取 | 第80-91页 |
| 5.2.1 匝间故障模型 | 第80-82页 |
| 5.2.2 故障特征 | 第82-86页 |
| 5.2.3 故障定位方法 | 第86-87页 |
| 5.2.4 故障特征的确定 | 第87-91页 |
| 5.3 基于遗传算法的 BPNN 优化 | 第91-95页 |
| 5.4 诊断实例 | 第95-99页 |
| 5.4.1 试验系统 | 第95-96页 |
| 5.4.2 试验过程与结果 | 第96-99页 |
| 5.5 本章小结 | 第99-100页 |
| 结论 | 第100-102页 |
| 参考文献 | 第102-112页 |
| 附录 A 攻读学位期间发表的学术论文 | 第112-113页 |
| 附录 B 攻读学位期间承担的科研工作 | 第113-114页 |
| 附录 C 攻读学位期间所获奖励 | 第114-115页 |
| 致谢 | 第115页 |