| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-17页 |
| ·课题研究背景及意义 | 第9-12页 |
| ·同步发电机转子绕组匝间短路诊断的国内外现状分析 | 第12-16页 |
| ·本文的主要工作 | 第16-17页 |
| 第2章 大型发电机转子绕组匝间短路故障机理分析 | 第17-29页 |
| ·转子绕组匝间短路引起的气隙磁场变化分析 | 第17-20页 |
| ·正常气隙磁场的分布 | 第17-18页 |
| ·匝间短路时合成磁场的分析 | 第18-20页 |
| ·匝间短路故障引起的电气特征量的变化 | 第20-24页 |
| ·发电机励磁电流变化分析 | 第20-23页 |
| ·发电机无功功率变化分析 | 第23页 |
| ·发电机定子谐波电压 | 第23-24页 |
| ·转子绕组匝间短路故障的仿真 | 第24-28页 |
| ·同步发电机的电路模型 | 第24-25页 |
| ·同步发电机转子绕组匝间短路的仿真 | 第25-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 基于神经网络的发电机转子绕组匝间故障诊断 | 第29-43页 |
| ·人工神经网络简介 | 第29-32页 |
| ·人工神经网络的基本知识 | 第29-30页 |
| ·人工神经元的非线性特性 | 第30-32页 |
| ·神经网络互联结构的基本特点 | 第32页 |
| ·径向基函数神经网络 | 第32-36页 |
| ·径向基函数网络的结构 | 第32-34页 |
| ·径向基神经网络的基函数 | 第34页 |
| ·径向基高斯函数神经网络的学习过程 | 第34-35页 |
| ·径向基函数网络的学习算法 | 第35-36页 |
| ·人工神经网络对转子绕组匝间短路的诊断 | 第36-42页 |
| ·转子绕组匝间短路的磁动势变化分析 | 第36-37页 |
| ·神经网络的构造和训练样本的选取 | 第37-39页 |
| ·训练样本的数据预处理 | 第39页 |
| ·神经网络的训练和识别 | 第39-40页 |
| ·神经网络在匝间短路中的应用 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 均值聚类分析的RBFNN在转子绕组匝间短路故障诊断中的应用 | 第43-55页 |
| ·聚类分析算法 | 第43-48页 |
| ·系统聚类法 | 第43-44页 |
| ·动态聚类法 | 第44-46页 |
| ·径向基函数网络的函数逼近理论 | 第46-48页 |
| ·基于动态均值聚类分析的RBF 在转子绕组匝间短路中的诊断 | 第48-54页 |
| ·双层动态均值聚类分析的RBF 算法 | 第49-52页 |
| ·双层动态均值聚类分析的RBF 在绕组匝间短路中的应用 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第5章 微粒群优化的RBFNN 在转子绕组匝间短路故障诊断中的应用 | 第55-70页 |
| ·微粒群算法简介 | 第55-63页 |
| ·微粒群算法基本原理及设计流程 | 第55-57页 |
| ·进化算法用于神经网络的优化 | 第57-59页 |
| ·微粒群算法优化神经网络 | 第59-61页 |
| ·微粒群算法的评价及分析 | 第61-62页 |
| ·改进的粒子群算法 | 第62-63页 |
| ·微粒群优化的RBF 在发电机转子绕组匝间短路诊断中的应用 | 第63-69页 |
| ·改进的微粒群优化的RBF 的基本思想 | 第63-64页 |
| ·基于MPSO-RBF 优化算法的设计及流程 | 第64-66页 |
| ·混合算法在发电机转子绕组匝间短路中的诊断 | 第66-69页 |
| ·本章小结 | 第69-70页 |
| 结论 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第76-77页 |
| 致谢 | 第77-78页 |
| 作者简介 | 第78页 |
