基于TMS320F2812的数据采集及电力电缆故障识别
| 摘要 | 第1-4页 |
| Abstract | 第4-10页 |
| 1 绪论 | 第10-18页 |
| ·课题背景及研究对象 | 第10-11页 |
| ·电力电缆的故障类型及成因 | 第11页 |
| ·智能故障诊断的发展现状和趋势 | 第11-13页 |
| ·研究的主要内容 | 第13-16页 |
| ·故障诊断的研究内容 | 第13-14页 |
| ·智能故障诊断的研究方法 | 第14-15页 |
| ·电力电缆故障识别所采用的方法 | 第15-16页 |
| ·本文所做的主要工作 | 第16-18页 |
| 2 电力电缆故障机理和识别系统的设计 | 第18-24页 |
| ·故障机理 | 第18-21页 |
| ·行波和它的波动方程 | 第18-19页 |
| ·故障时暂态行波的产生 | 第19页 |
| ·序分量与电力电缆故障特征 | 第19-21页 |
| ·识别系统组成 | 第21-22页 |
| ·识别系统设计 | 第22-23页 |
| ·小结 | 第23-24页 |
| 3 数据采集模块的设计 | 第24-42页 |
| ·数据采集模块的组成 | 第24-25页 |
| ·DSP 芯片的选择 | 第25-26页 |
| ·TMS320F2812 的结构特征 | 第25-26页 |
| ·选用TMS320F2812 的理由 | 第26页 |
| ·数据采集模块的硬件设计 | 第26-34页 |
| ·数据采集模块硬件设计 | 第26-27页 |
| ·DSP 最小系统的设计 | 第27-30页 |
| ·DSP 外围电路的设计 | 第30-33页 |
| ·DSP 电路板设计 | 第33-34页 |
| ·数据采集模块的软件设计 | 第34-40页 |
| ·DSP 开发环境 | 第34-35页 |
| ·数据采集模块主流程图 | 第35-36页 |
| ·A/D 采集实现 | 第36-37页 |
| ·A/D 校正实现 | 第37-38页 |
| ·UART 传输实现 | 第38-40页 |
| ·数据采集模块的软、硬件调试 | 第40页 |
| ·数据采集模块验证及原始数据 | 第40-41页 |
| ·小结 | 第41-42页 |
| 4 基于人工神经网络和小波的电缆故障识别研究 | 第42-66页 |
| ·人工神经网络概述 | 第42-44页 |
| ·人工神经网络的描述 | 第42页 |
| ·人工神经网络的特点 | 第42-43页 |
| ·人工神经网络的模型 | 第43-44页 |
| ·神经网络与故障诊断 | 第44-46页 |
| ·电力电缆故障仿真模型 | 第46-48页 |
| ·ELMAN 神经网络模型 | 第48-51页 |
| ·人工神经网络模型的分类与选取 | 第48-49页 |
| ·ELMAN 神经网络模型 | 第49-50页 |
| ·ELMAN 神经网络学习算法 | 第50页 |
| ·建立ELMAN 神经网络模型 | 第50-51页 |
| ·电力电缆故障识别流程及实例 | 第51-53页 |
| ·故障识别的流程 | 第51-52页 |
| ·故障识别实例一 | 第52-53页 |
| ·小波基本理论 | 第53-58页 |
| ·小波概述 | 第53页 |
| ·小波变换 | 第53-54页 |
| ·多分辨率分析 | 第54-56页 |
| ·小波基比较与选择 | 第56-57页 |
| ·小波在故障识别中的应用 | 第57-58页 |
| ·小波包分析理论 | 第58-61页 |
| ·小波包定义 | 第58-59页 |
| ·小波包性质及算法 | 第59页 |
| ·小波包提取故障特征信号的方法 | 第59-61页 |
| ·小波神经网络及电缆故障识别的实现 | 第61-65页 |
| ·小波神经网络理论 | 第61页 |
| ·小波神经网络模型 | 第61-62页 |
| ·故障识别实例二 | 第62-65页 |
| ·小结 | 第65-66页 |
| 5 结论 | 第66-68页 |
| ·总结 | 第66页 |
| ·展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 附录 | 第72-76页 |
| 附录1：数据采集模块硬件原理图 | 第72-73页 |
| 附录2：数据采集板实物图（正面） | 第73-74页 |
| 附录3：数据采集模块实验环境 | 第74-75页 |
| 附录4：论文中部分程序代码 | 第75-76页 |
| 附录5：攻读硕士学位期间发表论文 | 第76页 |
