基于软启动器的电机监测与智能故障诊断研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 电机监测和故障诊断的意义 | 第15页 |
| 1.2 课题研究现状及发展趋势 | 第15-17页 |
| 1.2.1 国内外研究现状 | 第15-16页 |
| 1.2.2 发展前景 | 第16-17页 |
| 1.3 论文选题来源 | 第17页 |
| 1.3.1 电机状态监测与故障诊断课题的提出 | 第17页 |
| 1.3.2 研究方向与预期目标 | 第17页 |
| 1.4 论文的主要内容与结构 | 第17-21页 |
| 1.4.1 论文的主要研究内容 | 第17-18页 |
| 1.4.2 论文组织结构 | 第18-21页 |
| 第二章 电动机主要故障类型及故障知识库的建立 | 第21-27页 |
| 2.1 电动机常见故障机理分析 | 第21-24页 |
| 2.1.1 电动机常见故障类型 | 第21-24页 |
| 2.1.2 故障总结与分析 | 第24页 |
| 2.2 电机故障特征参数库的构建 | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 电机电压、电流及转速状态参数监测 | 第27-43页 |
| 3.1 电机状态监测的意义 | 第27-28页 |
| 3.2 电压、电流及转速的特征值监测 | 第28-40页 |
| 3.2.1 谐波导纳法原理 | 第28-29页 |
| 3.2.2 快速傅里叶（FFT）算法 | 第29-31页 |
| 3.2.3 神经网络算法 | 第31-34页 |
| 3.2.4 权值直接确定法（WDD） | 第34-37页 |
| 3.2.5 算法对比分析 | 第37-40页 |
| 3.3 本章小结 | 第40-43页 |
| 第四章 人工智能故障诊断算法分析 | 第43-51页 |
| 4.1 神经网络智能诊断特性 | 第43-44页 |
| 4.2 神经网络诊断故障的主要算法 | 第44-47页 |
| 4.2.1 BP神经网络算法 | 第44-45页 |
| 4.2.2 RPROP神经网络算法 | 第45-46页 |
| 4.2.3 BAYES神经网络算法 | 第46-47页 |
| 4.3 BAYES理论与诊断网络 | 第47-50页 |
| 4.3.1 BAYES学习理论 | 第47-48页 |
| 4.3.2 决策规则的选择 | 第48-49页 |
| 4.3.3 网络训练 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于软启动器的电机故障诊断算法设计 | 第51-61页 |
| 5.1 贝叶斯算法设计开发流程 | 第51-52页 |
| 5.2 电机故障诊断模型的建立 | 第52-53页 |
| 5.3 诊断算法整体设计 | 第53-55页 |
| 5.3.1 算法需求分析 | 第53-54页 |
| 5.3.2 学习算法设计 | 第54-55页 |
| 5.3.3 算法性能优化 | 第55页 |
| 5.4 仿真对比验证 | 第55-60页 |
| 5.4.1 算法性能验证 | 第56-58页 |
| 5.4.2 实测数据分析 | 第58-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 结论和展望 | 第61-63页 |
| 6.1 研究结论 | 第61-62页 |
| 6.2 研究展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 作者简介 | 第69-70页 |
| 1.基本情况 | 第69页 |
| 2.教育背景 | 第69页 |
| 3.攻读硕士学位期间的研究成果 | 第69-70页 |
