摘要 | 第4-5页 |
Abstract | 第5-6页 |
1 绪论 | 第10-19页 |
1.1 论文研究的背景及意义 | 第10-11页 |
1.2 设备故障诊断技术研究概述 | 第11-14页 |
1.2.1 设备故障诊断技术的工作原理 | 第11页 |
1.2.2 国外研究现状 | 第11-12页 |
1.2.3 国内研究现状 | 第12页 |
1.2.4 设备故障诊断技术的基本方法 | 第12-14页 |
1.3 动车组牵引电机故障诊断技术概况 | 第14-17页 |
1.3.1 动车组牵引电机故障诊断国内外研究现状 | 第14页 |
1.3.2 动车组牵引电机故障诊断的基本原理与故障信号采集技术 | 第14-15页 |
1.3.3 动车组牵引电机故障信号分析和处理方法 | 第15-16页 |
1.3.4 动车组牵引电机故障诊断方法及存在的问题 | 第16-17页 |
1.4 论文主要工作与结构 | 第17-19页 |
2 动车组牵引电机故障及机理研究 | 第19-38页 |
2.1 动车组交流牵引电机 | 第19页 |
2.2 动车组牵引电机工作原理及常见故障类型 | 第19-21页 |
2.2.1 动车组牵引电机构造及基本工作原理 | 第19-20页 |
2.2.2 动车组牵引电机常见故障 | 第20-21页 |
2.3 动车组牵引电机常见故障的机理分析 | 第21-37页 |
2.3.1 定子电流法诊断原理 | 第21页 |
2.3.2 转子故障机理分析 | 第21-25页 |
2.3.3 定子故障机理分析 | 第25-27页 |
2.3.4 电机偏心故障机理分析 | 第27-29页 |
2.3.5 轴承故障机理分析 | 第29-37页 |
2.4 小结 | 第37-38页 |
3 基于小波分析理论的牵引电机故障信号去噪与特征提取 | 第38-56页 |
3.1 信号分析的发展过程 | 第38-44页 |
3.1.1 傅里叶变换 | 第38-39页 |
3.1.2 小波变换 | 第39-40页 |
3.1.3 多分辨率分析 | 第40-41页 |
3.1.4 小波包分析 | 第41-44页 |
3.2 小波包分析在信号消噪中的应用 | 第44-48页 |
3.2.1 小波基函数的选择 | 第45-46页 |
3.2.2 小波包去噪阈值选取 | 第46页 |
3.2.3 小波包去噪的效果评价 | 第46页 |
3.2.4 小波包去噪的仿真分析 | 第46-48页 |
3.3 基于小波包分析的信号特征提取 | 第48-55页 |
3.3.1 频带分析技术 | 第48页 |
3.3.2 利用小波包进行特征向量提取 | 第48-51页 |
3.3.3 小波包在动车组牵引电机故障特征向量提取中的应用 | 第51-55页 |
3.4 小结 | 第55-56页 |
4 基于 SVM 的动车组牵引电机故障诊断方法 | 第56-70页 |
4.1 统计学习基本理论 | 第56-58页 |
4.2 SVM 理论基础 | 第58-62页 |
4.2.1 SVM 基本思想 | 第58-60页 |
4.2.2 核函数方法 | 第60-61页 |
4.2.3 SVM 分类算法 | 第61-62页 |
4.3 最小二乘支持向量机 | 第62-69页 |
4.3.1 最小二乘支持向量机算法 | 第62-63页 |
4.3.2 最小二乘支持向量机中参数 C , 对分类性能影响的仿真研究 | 第63-66页 |
4.3.3 多类分类问题到二分类问题的转换 | 第66-67页 |
4.3.4 最小二乘支持向量机在动车组牵引电机故障分类中的应用 | 第67-69页 |
4.4 小结 | 第69-70页 |
5 基于粒子群优化的支持向量机的动车组牵引电机故障诊断方法 | 第70-77页 |
5.1 粒子群算法 | 第70-73页 |
5.1.1 粒子群算法理论基础 | 第70-72页 |
5.1.2 几种改进的粒子群优化算法 | 第72-73页 |
5.2 粒子群优化的支持向量机在动车组牵引电机故障分类中的应用 | 第73-76页 |
5.3 小结 | 第76-77页 |
结论 | 第77-78页 |
致谢 | 第78-79页 |
参考文献 | 第79-82页 |
攻读学位期间的研究成果 | 第82页 |