| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 高压断路器振动监测与故障诊断的国内外研究现状 | 第11-15页 |
| 1.2.1 特征提取与故障诊断的研究现状 | 第12-14页 |
| 1.2.2 高压断路器振动监测与故障诊断的国内外研究现状 | 第14-15页 |
| 1.3 论文主要研究内容 | 第15-16页 |
| 第二章 高压断路器的故障振动机理及特征提取 | 第16-36页 |
| 2.1 高压断路器的类型及功能 | 第16-17页 |
| 2.1.1 高压断路器的分类 | 第16页 |
| 2.1.2 高压断路器的功能特点 | 第16-17页 |
| 2.2 高压断路器的结构和工作原理 | 第17-19页 |
| 2.2.1 SF6高压断路器的组成结构 | 第17-18页 |
| 2.2.2 SF6高压断路器的工作原理 | 第18-19页 |
| 2.3 高压断路器的常见机械故障分析 | 第19-23页 |
| 2.3.1 拒动故障分析 | 第19-20页 |
| 2.3.2 误动故障分析 | 第20-23页 |
| 2.4 高压断路器故障的振动机理 | 第23-27页 |
| 2.4.1 振动信号的产生与特点 | 第23页 |
| 2.4.2 典型振动故障分析 | 第23-26页 |
| 2.4.3 高压断路器振动信号频谱分析 | 第26-27页 |
| 2.5 振动信号特征提取的时频分析方法 | 第27-35页 |
| 2.5.1 EMD原理介绍 | 第27-30页 |
| 2.5.2 Hilbert变换 | 第30-33页 |
| 2.5.3 基于IMF能量熵特征提取 | 第33-35页 |
| 2.6 小结 | 第35-36页 |
| 第三章 基于支持向量机的高压断路器振动故障诊断 | 第36-48页 |
| 3.1 统计学习理论 | 第36-38页 |
| 3.1.1 机器学习 | 第36-37页 |
| 3.1.2 经验风险最小化原则 | 第37页 |
| 3.1.3 VC维 | 第37-38页 |
| 3.1.4 SRM原则 | 第38页 |
| 3.2 支持向量机的原理和算法 | 第38-42页 |
| 3.2.1 广义最优分类面 | 第38-40页 |
| 3.2.2 非线性支持向量机 | 第40-42页 |
| 3.2.3 核函数 | 第42页 |
| 3.3 支持向量机的模型建立 | 第42-44页 |
| 3.3.1 训练样本选择 | 第43页 |
| 3.3.2 特征值选择 | 第43-44页 |
| 3.3.3 分类方法选择 | 第44页 |
| 3.4 支持向量机在高压断路器振动故障诊断中的应用 | 第44-46页 |
| 3.5 小结 | 第46-48页 |
| 第四章 高压断路器振动故障的监测与诊断系统设计 | 第48-60页 |
| 4.1 系统需求分析 | 第48-49页 |
| 4.2 高压断路器振动故障诊断系统总体设计 | 第49页 |
| 4.3 下位机硬件设计 | 第49-51页 |
| 4.3.1 传感器选型与安装 | 第49-50页 |
| 4.3.2 信号的预处理 | 第50-51页 |
| 4.3.3 监测数据的采集与保存 | 第51页 |
| 4.4 下位机软件设计 | 第51-52页 |
| 4.5 上位机软件设计 | 第52-58页 |
| 4.5.1 诊断系统主程序设计 | 第52-54页 |
| 4.5.2 软件结构与界面 | 第54-55页 |
| 4.5.3 各模块及其使用方法 | 第55-58页 |
| 4.6 小结 | 第58-60页 |
| 第五章 结论与展望 | 第60-62页 |
| 5.1 论文总结 | 第60页 |
| 5.2 展望 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 致谢 | 第64-66页 |
| 附录：攻读学位期间研究成果 | 第66页 |
