| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 引言 | 第8-9页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 本文研究背景及意义 | 第9-10页 |
| 1.2 LIBS检测方法研究现状 | 第10-11页 |
| 1.3 变压器故障诊断方法研究现状 | 第11-13页 |
| 1.4 本文工作内容 | 第13-14页 |
| 第2章 变压器的故障及诊断方法 | 第14-24页 |
| 2.1 变压器的常见故障 | 第14-15页 |
| 2.2 变压器故障特征气体 | 第15-16页 |
| 2.3 故障变压器油中溶解气体的组成 | 第16-17页 |
| 2.4 基于DGA的故障诊断方法 | 第17-23页 |
| 2.4.1 判断有无故障的方法 | 第17-19页 |
| 2.4.2 判断变压器故障类型 | 第19-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基本原理介绍 | 第24-39页 |
| 3.1 激光诱导击穿光谱技术概述 | 第24-27页 |
| 3.1.1 激光诱导击穿光谱技术的原理 | 第24-25页 |
| 3.1.2 激光诱导击穿光谱技术定量分析方法 | 第25-27页 |
| 3.2 遗传算法 | 第27-30页 |
| 3.2.1 遗传算法的理论基础 | 第27页 |
| 3.2.2 遗传算法的实现 | 第27-29页 |
| 3.2.3 遗传算法的特点 | 第29页 |
| 3.2.4 基于遗传算法的神经网络学习方法 | 第29-30页 |
| 3.3 神经网络 | 第30-38页 |
| 3.3.1 神经网络的结构 | 第30-32页 |
| 3.3.2 神经网络的基本特征 | 第32-33页 |
| 3.3.3 神经网络的学习规则 | 第33-35页 |
| 3.3.4 RBF神经网络结构及算法 | 第35-37页 |
| 3.3.5 SOM神经网络结构及算法 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 系统搭建及数据处理 | 第39-47页 |
| 4.1 实验装置 | 第39-41页 |
| 4.2 LIBS信号强度的影响因素 | 第41-42页 |
| 4.2.1 气体环境的影响 | 第41-42页 |
| 4.3 非线性定标方法在故障气体元素分析中的应用 | 第42-43页 |
| 4.4 计算与验证 | 第43-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 基于遗传神经网络模型的变压器故障诊断 | 第47-56页 |
| 5.1 基于DGA结合RBF网络模型的变压器故障诊断 | 第47-49页 |
| 5.1.1 RBF神经网络综述 | 第47页 |
| 5.1.2 基于DGA结合RBF网络模型的建立 | 第47-48页 |
| 5.1.3 仿真结果与分析 | 第48-49页 |
| 5.2 基于遗传神经网络模型的变压器故障诊断 | 第49-55页 |
| 5.2.1 遗传神经网络的建立 | 第49-52页 |
| 5.2.2 基于遗传算法的K-means聚类 | 第52-53页 |
| 5.2.3 变压器故障诊断仿真 | 第53-55页 |
| 5.3 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 导师简介 | 第63-64页 |
| 作者简介 | 第64-65页 |
| 学位论文数据集 | 第65页 |