| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 1 引言 | 第11-19页 |
| 1.1 课题研究的背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 有载分接开关机械故障的检测与诊断原理 | 第13-14页 |
| 1.2.2 有载分接开关机械故障的检测与诊断技术研究进展 | 第14-16页 |
| 1.3 本文研究的主要内容 | 第16-17页 |
| 1.4 本章小结 | 第17-19页 |
| 2 有载分接开关机械故障分析与故障诊断总体方案 | 第19-39页 |
| 2.1 有载分接开关的简介及机构分析 | 第19-25页 |
| 2.1.1 有载分接开关的简介 | 第19-23页 |
| 2.1.2 有载分接开关机构的工作原理分析 | 第23-25页 |
| 2.2 有载分接开关的电路原理分析 | 第25-29页 |
| 2.2.1 调压电路 | 第26页 |
| 2.2.2 分接选择器电路 | 第26-27页 |
| 2.2.3 切换开关电路 | 第27-29页 |
| 2.3 有载分接开关主要机械故障分析 | 第29-32页 |
| 2.3.1 有载分接开关的运行状态分类 | 第29页 |
| 2.3.2 有载分接开关主要机械故障的特征分析 | 第29-32页 |
| 2.4 有载分接开关机械振动信号检测 | 第32-37页 |
| 2.4.1 传感器的选择与安装 | 第32-36页 |
| 2.4.2 振动信号采集系统的调试 | 第36-37页 |
| 2.5 有载分接开关机械故障诊断的基本方案 | 第37-38页 |
| 2.6 本章小结 | 第38-39页 |
| 3 有载分接开关机械故障特征提取策略研究 | 第39-61页 |
| 3.1 基于相空间重构的PPDC提取及特征向量构建 | 第39-47页 |
| 3.1.1 相空间重构 | 第39-43页 |
| 3.1.1.1 嵌入维数的确定 | 第40-41页 |
| 3.1.1.2 延迟时间的选取 | 第41页 |
| 3.1.1.3 有载分接开关机械振动信号的相空间重构 | 第41-43页 |
| 3.1.2 PPDC的提取及特征向量的构建 | 第43-47页 |
| 3.1.2.1 PPDC的提取原理 | 第43-45页 |
| 3.1.2.2 基于PPDC的机械振动信号特征向量构建 | 第45-47页 |
| 3.2 基于EEMD分解的能量熵提取及特征向量构建 | 第47-57页 |
| 3.2.1 EEMD分解 | 第47-55页 |
| 3.2.1.1 概述 | 第47页 |
| 3.2.1.2 EMD分解的基本原理 | 第47-49页 |
| 3.2.1.3 EMD分解的优缺点 | 第49-50页 |
| 3.2.1.4 EEMD分解的基本原理 | 第50-51页 |
| 3.2.1.5 EEMD分解的参数设定 | 第51-52页 |
| 3.2.1.6 IMF分量的包络提取原理 | 第52页 |
| 3.2.1.7 有载分接开关机械振动信号的EEMD分解与包络提取 | 第52-55页 |
| 3.2.2 能量熵的提取及特征向量的构建 | 第55-57页 |
| 3.2.2.1 能量熵的提取原理 | 第55-56页 |
| 3.2.2.2 基于能量熵的机械振动信号特征向量构建 | 第56-57页 |
| 3.3 故障诊断样本的构建 | 第57-59页 |
| 3.4 本章小结 | 第59-61页 |
| 4 有载分接开关机械故障诊断策略研究 | 第61-75页 |
| 4.1 基于AGA优化BP神经网络的诊断模型构建 | 第61-68页 |
| 4.1.1 基于BP神经网络的诊断模型构建 | 第61-65页 |
| 4.1.2 基于AGA算法的BP神经网络优化设计 | 第65-68页 |
| 4.2 仿真分析 | 第68-73页 |
| 4.2.1 仿真样本的选取 | 第68页 |
| 4.2.2 采用相空间重构提取PPDC故障样本的诊断实例分析 | 第68-70页 |
| 4.2.3 采用EEMD分解提取能量熵故障样本的诊断实例分析 | 第70-72页 |
| 4.2.4 两种故障样本的诊断效果对比分析 | 第72-73页 |
| 4.3 本章小结 | 第73-75页 |
| 5 总结与展望 | 第75-77页 |
| 5.1 全文工作总结 | 第75页 |
| 5.2 展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 作者简历 | 第81-83页 |
| 学位论文数据集 | 第83页 |
