| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 选题背景和意义 | 第9-10页 |
| 1.2 高压断路器振动信号分析处理方法研究现状 | 第10-12页 |
| 1.2.1 基于数理统计的方法 | 第10-11页 |
| 1.2.2 动态时间规整法 | 第11页 |
| 1.2.3 小波变换法 | 第11-12页 |
| 1.2.4 希尔伯特变换法 | 第12页 |
| 1.3 人工智能算法在断路器的机械故障诊断中的研究现状 | 第12-13页 |
| 1.3.1 人工神经网络 | 第12-13页 |
| 1.3.2 支持向量机 | 第13页 |
| 1.4 本论文的主要工作 | 第13-15页 |
| 第2章基于虚拟仪器技术的振动信号采集平台 | 第15-24页 |
| 2.1 虚拟仪器的概念 | 第15页 |
| 2.2 虚拟仪器的硬件系统 | 第15-18页 |
| 2.2.1 振动传感器的选择 | 第16页 |
| 2.2.2 振动信号调理设备 | 第16-17页 |
| 2.2.3 数据采集设备 | 第17-18页 |
| 2.3 虚拟仪器软件系统 | 第18-22页 |
| 2.3.1 开发软件LabVIEW简介 | 第18-19页 |
| 2.3.2 振动信号采集模块 | 第19-21页 |
| 2.3.3 数据存储模块 | 第21-22页 |
| 2.4 振动信号采集实验 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 振动信号特征分离的算法研究 | 第24-33页 |
| 3.1 EEMD算法的基本原理 | 第24-28页 |
| 3.1.1 经验模态分解 | 第24-26页 |
| 3.1.2 总体平均经验模态分解 | 第26-28页 |
| 3.2 小波包算法 | 第28-32页 |
| 3.2.1 小波分析 | 第28-29页 |
| 3.2.2 小波包分析 | 第29-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第4章 振动信号特征量的计算方法研究 | 第33-46页 |
| 4.1 关联维数的振动特征量计算方法 | 第33-42页 |
| 4.1.1 分形理论简介 | 第33页 |
| 4.1.2 G-P算法计算关联维数 | 第33-35页 |
| 4.1.3 相空间重构参数的计算方法 | 第35-38页 |
| 4.1.4 EEMD-关联维数的振动特征提取方法 | 第38-40页 |
| 4.1.5 小波包-关联维数的振动特征提取方法 | 第40-42页 |
| 4.2 信息熵的振动特征量计算方法 | 第42-45页 |
| 4.2.1 信号包络的提取 | 第42-43页 |
| 4.2.2 信息熵的应用 | 第43-44页 |
| 4.2.3 EEMD-特征熵的振动特征提取方法 | 第44-45页 |
| 4.3 本章小结 | 第45-46页 |
| 第5章 断路器故障识别方法研究 | 第46-62页 |
| 5.1 支持向量机的故障识别方法 | 第46-52页 |
| 5.1.1 支持向量机分类机 | 第46-50页 |
| 5.1.2 支持向量机多分类策略 | 第50-51页 |
| 5.1.3 支持向量机实验应用分析 | 第51-52页 |
| 5.2 BP神经网络的故障识别方法 | 第52-58页 |
| 5.2.1 BP神经网络简介 | 第52页 |
| 5.2.2 BP神经网络原理 | 第52-56页 |
| 5.2.3 BP神经网络参数选取 | 第56-57页 |
| 5.2.4 BP神经网络实验应用分析 | 第57-58页 |
| 5.3 本章小结 | 第58-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-71页 |
| 致谢 | 第71-72页 |
| 攻读学位期间发表的论文 | 第72页 |