一、真空断路器的智能检测及故障诊断技术（论文文献综述）
陈磊[1]（2021）在《高压断路器振动信号特征提取及故障诊断方法研究》文中研究表明高压断路器是电力系统的关键组件,其在电力系统中起控制（投切负荷）和保护（切断故障）作用。高压断路器一旦发生故障,将直接危害整个电力系统的安全与稳定。国内外众多针对高压断路器可靠性的调查结果表明,机械故障是断路器失效的主要因素。因此,开展高压断路器机械故障监测与诊断方法研究,并据此制定合理的维护与检修策略,对于提高电力系统的可靠性具有重要意义。传统定期检修的维护方式已不符合高压断路器智能化发展要求。近年来,基于机器学习算法的高压断路器智能故障诊断方法得到了广泛研究与关注。该类方法在较为理想的诊断条件下普遍取得了良好的诊断效果,但是在实际的故障诊断情形中,仍有一些问题亟待解决。本文以高压断路器为研究对象,以振动信号为媒介,从信号特征提取与故障识别方面展开研究,针对常规机器学习算法在高压断路器实际故障诊断情形中的局限性,提出了相应的解决方案。论文主要内容及创新点如下:（1）针对高压断路器振动信号特征提取问题,提出了一种基于机构动作时间参数的特征提取方法。首先,基于短时Teager能量和短时二次方能量设计了动作事件增强参数,据此从振动信号中提取了机构动作时间参数;然后,利用所提取的机构动作时间参数对振动信号进行分段;最后,计算每段信号的能量熵作为机器学习算法的特征向量。与等时间分段和等能量分段所计算的特征向量相比,基于机构动作时间参数所计算的特征向量在空间中表现出更好的类别区分效果。（2）分析了不平衡数据（正常样本数量多于故障样本数量）和故障数据未标记（监测数据仅有正常样本或发生未知故障）两种情形对常规机器学习算法所建立的诊断模型性能的影响。实验结果表明,不平衡数据和故障数据未标记会使诊断模型性能下降,甚至出现失效情况。不平衡数据使得诊断模型偏向于正常状态,导致故障识别精度较低,且此问题随着数据不平衡程度的加重而愈加严重;故障数据未标记使得常规机器学习算法难以建立有效的诊断模型,无法识别出未被标记过的故障。基于以上两种实际故障诊断情形的分析,引出后续章节的研究。（3）针对高压断路器实际监测数据不平衡现象,提出一种过采样算法对数据再平衡。过采样算法通过合成新样本方式来增加少数类别样本数量,使得不同类别样本数量趋于平衡。然而,现有过采样算法在合成新样本时存在一定盲目性,没有充分考虑数据的分布特性,可能会导致无效合成或错误合成。为缓解此问题,本文提出一种新的过采样算法,即密度加权少数类别过采样算法（Density-weighted Minority Oversampling,DWMO）。DWMO 算法根据原始数据的分布特性,对不同区域样本设置不同的过采样权重,实现了新样本的高质量合成,有效缓解了不平衡数据所带来的分类偏差。实验结果表明,DWMO算法能够有效提高常规机器学习算法在高压断路器不平衡数据故障诊断中的诊断性能。（4）针对高压断路器不平衡数据故障诊断中,常规机器学习算法诊断精度低的问题,提出一种基于单分类极限学习机（One-class Extreme Learning Machine,OCELM）集成的不平衡数据分类算法（Multi-class Classification Algorithm Based on OCELM Ensemble,MC-OCELM）。MC-OCELM 算法中集成了多个 OCELM模型,OCELM模型数量根据训练集中类别数量自适应调整以保证每个类别均对应一个OCELM模型。训练时,MC-OCELM算法中的每个OCELM模型基于各自对应的类别单独训练。正是由于这一训练特点,MC-OCELM算法有效规避了不平衡数据的影响。实验结果表明,MC-OCELM算法在高压断路器不平衡数据故障诊断中取得了比常规机器学习算法更好的诊断效果。（5）针对高压断路器未标记故障识别问题,提出一种基于改进OCELM算法的高压断路器未标记故障识别方法。将未标记故障识别问题看作异常值检测问题,并尝试应用单分类算法解决。考虑到现有单分类算法在决策时普遍忽略了样本所在区域密度对决策边界的影响,将密度权重引入OCELM算法中,由此提出一种改进的OCELM算法,即密度加权单分类极限学习机（Denstiy-weighted One-class Extreme Learning Machine,DW-OCELM）。DW-OCELM 算法为高密度区域样本分配更高的权重,使得诊断模型倾向于拒绝低密度区域样本而尽可能接纳高密度区域样本。实验结果表明,DW-OCELM算法有效解决了高压断路器未标记故障识别问题,且取得了比其它常用单分类算法更好的未标记故障识别结果。
盖曜麟[2]（2021）在《基于改进SVM算法的高压断路器故障诊断》文中研究说明高压断路器作为电力系统中重要的保护和控制设备,其运行状态稳定与否对电力系统的正常运行至关重要。高压断路器的分合闸动作由操动机构衔接控制回路完成,由于断路器各部件布置紧密复杂,易出现各类电气、机械故障。高压断路器的开断运作伴随着各类信号的变化,即各类伴随信号可以反映断路器的运行状态,从而通过监测和处理各类伴随信号,建立故障诊断模型对断路器的主要故障进行及时的识别、排查和诊断是实现其状态检修和保障电网安全运行的关键。在此背景下,本文从分合闸线圈电流信号和动触头位移信号的采集、特征提取出发,结合改进的SVM算法对高压断路器的电气、机械故障进行故障诊断。详细研究内容如下:（1）本文以分合闸线圈电流信号和动触头位移信号为研究对象,分析了两种信号的相关理论及可以反映的故障类型。然后提取分合闸电流信号中峰谷电流值、峰值电流时刻、谷值电流时刻等7维特征及动触头位移信号中的3维特征作为故障诊断的重要判据并融合为10维多源特征量。（2）针对所提取的高维数据特征量,本文选择PCA算法（Principal Component Analysis,主成分分析）对10维多源特征进行数据降维,以累积贡献率K（m）为评判指标,取K（m）≥95%时的特征量代表原始数据,确定最终特征集。（3）针对高压断路器此类小故障样本的数据特征,本文选择SVM算法（Support Vector Machine,支持向量机）作为诊断的基础算法,为进一步提高诊断精度和效率,本文提出了基于APSO-PCA-SVM算法的高压断路器故障诊断模型,并采用Griewank评价函数测试并验证了其相较于PSO-SVM和GA-SVM算法的优越性,最终采用APSO（Adaptive Particle Swarm Optimization,自适应粒子群）算法对SVM惩罚因子及核参数寻优,建立了APSO-PCA-SVM故障诊断模型。（4）以ZW10-40.5kV VD4真空断路器作为研究对象,本文模拟了除正常状态外的四种常见电气和机械故障状态:控制回路电压低、传动机构松动、铁芯空行程偏大、电磁铁卡涩。通过选择适配传感器分别采集五种状态下的分合闸电流信号和动触头位移信号作为故障诊断的数据支撑,实例分析结果表明,该方法能够最大程度去除冗余信息,简化了诊断模型的同时提高了诊断精度和效率,诊断准确率可达96.67%,在故障样本较少时采用有限特征量即可较为全面准确的实现对高压断路器此类小样本设备的高效故障诊断。
孙伟业[3]（2021）在《基于STM32和4G无线通信的真空断路器状态监测及故障诊断系统》文中认为随着智能电网的快速发展,人们对用电的安全性要求提高。在整个电力系统中,高压断路器在电力传输过程中作为关键环节,其稳定运行是提供电力稳定传输的重要保障。然而高压断路器经过长年运行和多次机械动作,并大多处于复杂环境中,出现故障的频率也随之增大,因此断路器故障的及时发现并处理显得至关重要。传统采用人工定期检修的方式来逐一排查故障,在一定程度上能减少故障的发生但实时性差并存在二次故障风险和浪费人力等问题。为了解决上述问题,文中设计了一种真空断路器状态监测及故障诊断系统。真空断路器状态监测及故障诊断系统由信号采集系统、数据处理系统和远程监测及故障诊断的上位机系统这三部分组成。信号采集系统利用位移传感器、加速度传感器、霍尔电流传感器和压力传感器这四种传感器分别对真空断路器触头行程量、机械振动量、线圈电流量及触头接触压力量进行实时采集。数据处理系统对采集的数据进行优化处理,同时采用EC20作为4G通信模块,采用TCP通信方式,将实时数据传输给上位机。为了应对断路器出现突发情况,对四种被监测量设定阈值,当实际监测数据超过阈值时,启动短信报警功能,实现了人机交互。故障诊断系统利用粒子群优化BP神经网络的算法对真空断路器进行故障诊断,通过获取分合闸线圈电流信号的关键点数值作为特征值进行网络训练和测试,最终判断故障原因。实验结果表明,系统可以对真空断路器进行实时状态监测和故障诊断,确保断路器发生故障时能够及时维修,弥补了定期检修的不足。
郭培军[4]（2020）在《ZNZ8-12型户内智能真空断路器关键技术研究》文中进行了进一步梳理智能化真空断路器采用传感技术、微机保护技术及状态监测技术,实现其测量数字化、状态可视化、功能一体化和信息互动化的特征。随着配电物联网的建设,迫切需要提升配电设备的智能化水平,但现有的配电开关设备智能化水平不高,尚且不能满足配电自动化的需求。因此急切需要对配电网用量最大的12kV户内真空断路器进行智能化设计研制,对今后开展配电网智能化设备研制具有开创性意义。本文依据12kV户内真空断路器设计的基本理论知识,针对电子式互感器、微机综合保护装置及分合闸线圈电流传感器与真空断路器的集成设计及试验开展研究。本文的关键技术研究如下:（1）互感器与真空断路器的一体化集成是实现真空断路器智能化的关键。针对现有智能断路器的互感器配置问题,采用低功耗电流互感器、电子式电压互感器与真空灭弧室形成集成化极柱;分析集成化固封极柱的电场分布得出其绝缘性能良好的结论;分析开断过程中电流互感器线圈电流的磁场分布得出其对灭弧室开断性能几乎无影响的结论。该环节实现了真空断路器的测量数字化。（2）综保装置与真空断路器的一体化集成是智能真空断路器的又一特征。对现有综保装置的结构和功能进行适用性设计;特别地,在该12kV真空断路器上增加断路器分合闸线圈电流及储能电机电流监测传感器,并将其功能集成于综保装置;设计了综保装置与真空断路器的一体化集成方案,并对断路器内部二次信号线、互感器的接地位置进行优化设计。该方法实现了真空断路器的状态可视化及功能一体化。（3）样机研制后的试验研究是验证智能化真空断路器设计合理的必要环节。将固封极柱、综保装置、互感器及断路器的型式试验相结合,探究其技术性能,并创造性的提出了验证一二次设备工作协调性和可靠性的联合调试试验。最终ZNZ8-12型户内智能真空断路器研制成功。
孙超杰[5]（2020）在《电力机车真空断路器故障度在线检测系统研究》文中进行了进一步梳理真空断路器是电力机车的核心设备之一,其安全稳定运行是电力机车安全稳定运行的保障。真空断路器在运行工作中,经常会出现一些故障,且有些故障难以捕捉。因此,对真空断路器的运行状态进行实时检测,是电力机车安全稳定运行的需要。本文针对目前电力机车真空电路器工作状态缺乏检测的问题,设计了一种电力机车真空断路器故障度在线检测系统。该系统通过采集真空断路器的实时数据,采用BP神经网络算法,判断真空断路器的实时故障状态,减轻了真空断路器维护和检修工作的劳动强度,同时提高了电力机车稳定运行的安全系数。本文的主要研究内容和取得的结果如下:（1）研究了真空断路器的结构及工作原理,分析了真空断路器的电路模型、合闸、分闸等动态过程,总结了真空断路器常见的故障及其故障产生的原因。针对真空断路器的机械特性故障,分析了故障度模型输入层所要确定的参量,设计了故障度模型输出层参量,搭建了真空断路器故障度模型。（2）构建了基于BP神经网络的电力机车真空断路器故障度模型并验证了其可靠性和准确性。对真空断路器的故障度模型与原有检修策略进行了仿真分析对比,验证了真空断路器故障度模型与原有检修策略的结合效果,为实现状态差异性检修提供了可靠的参考依据。对故障度模型进行了实际效果验证,确定了故障度模型的可行性和可靠性。对真空断路器所采集的训练组数量进行了分析,通过仿真分析,得出当数据组达到100组及以上时,故障度模型的拟合程度最高。（3）提出了电力机车真空断路器在线检测系统的设计思路。根据电力机车真空断路器在线检测系统的设计需求,提出电力机车真空断路器在线检测系统的设计思路和方案,构建了电力机车真空断路器在线检测系统的框架结构,根据在线检测系统的方案和结构,设计了在线检测系统的硬件电路和软件程序,为在线检测故障度模型提供了软硬件平台。（4）构建了真空断路器故障度在线检测试验平台并进行了现场试验。首先对真空断路器故障度在线检测系统进行了实物研制,并结合具体情况,对系统的各种界面一一进行了阐述。其次对真空断路器故障度在线检测系统进行了实地安装和试验,通过检测信号数据,分析出真空断路器的实际故障原因,并发现和解决了真空断路器故障度在线检测系统在实际应用中出现的缺陷和不足,验证了该系统的准确性和可靠性。
曹宇鹏[6]（2020）在《基于操作机构控制回路检测的高压断路器机械故障诊断方法研究》文中指出高压断路器在电力系统发生故障时通过切断故障电流来隔绝电路中的设备,避免事故的进一步扩大给工业生产和居民生活带来影响。传统的断路器故障诊断方式存在过程复杂、训练速度慢、准确率低等问题。定期维护存在耗时过长、操作频繁、拆装过多等问题,会降低断路器的可靠性。高压断路器在机械操作过程中蕴含丰富的振动信号,其中的特征参量具有稳定性和可靠性。从振动信号中可以提取出有效的特征值,从而准确地判断出断路器是否发生故障及故障的类型。许多学者利用卷积神经网络的局部感受能力、共享权值的优点来加速训练进程。本文采用卷积神经网络对断路器的振动信号进行特征提取。首先,通过预先设定步长的滑动滤波器对输入信号进行卷积运算,卷积运算可以遍历整个样本,从而获取样本中的故障信息,然后将信息传递给池化层。在池化层进行非线性激活有助于减少样本量以及避免过度拟合来达到加快训练速度的目的。这也可以看作是一个平滑的过程,从中可以消除不必要的噪声。最后,将之前获取的局部信息传递给全连接层来连接所有之前的特征映射,获取完整的特征向量。本文建立的卷积神经网络与长短时记忆神经网络的混合模型充分发挥了两种模型的优势,可以在提高训练速度的同时又能保证较高的诊断精度。浅层网络中的支持向量机训练速度慢,无法满足高压断路器实时监测的需求。针对真空断路器最常出现的脱扣闭合电磁堵塞、主轴堵塞、半轴堵塞三种机械故障分别进行多次实验,利用所提出的方法分别对相同的高压真空断路器的振动信号样本进行故障诊断,结果在受试者工作特性曲线、精确召回曲线、洛伦兹曲线、累计收益曲线、升程曲线中均显示本文建立模型具有更好的诊断效果,验证了本文方法的可行性。
范露[7]（2020）在《基于振动信号处理的高压断路器机械故障诊断》文中指出高压断路器在电力系统中起到控制和保护作用,其安全可靠的工作状态关系到电网的安全稳定运行,经国内外相关组织调查研究发现:高压断路器故障引起的停电损失远远超过设备本身损坏的价值。当高压断路器操动机构动作时,释放的机械振动信号包含了丰富的设备状态信息,因此,可以通过分析振动信号实现高压断路器机械故障诊断。本文以ABB公司12 kVVD4智能高压断路器为研究对象,基于振动信号的监测手段,建立了高压断路器振动信号采集系统,针对VD4断路器最常见的四种机械故障,提出了四部分研究内容:采集系统的搭建与信号采集、信号预处理、信号特征提取和断路器状态识别。首先,统计了 VD4智能高压断路器最常见的四种机械故障:机构卡涩、分闸弹簧疲劳、润滑失效和缓冲故障,根据机械故障的振动频率选择了合适的加速度传感器,并确定了最佳安装位置。搭建振动信号采集系统,并对采集到的振动信号进行小波阈值去噪。其次,引入了两种方法对信号进行特征提取:（1）集合经验模态分解-近似熵特征提取法,信号被分解成不同层IMF分量,选取与原振动信号强相关的IMF分量进行近似熵计算,这些近似熵值构成的向量即为特征;（2）小波变换-局部二值模式法,将转变成灰度图的信号进行分区,对各个区域局部二值模式值出现的频率进行统计,生成的直方图归一化处理后即为特征向量。最后,将两种特征信号分别进行支持向量机分类和BP神经网络分类。通过检出率和误检率两种量化判别标准进行综合分析,得到效果最佳的诊断方法为基于集合经验模态分解-近似熵特征提取经由支持向量机分类,其检出率为99.5%,误检率为0%,诊断效果较好。实验结果显示:本文基于振动信号提出的故障识别方法,为高压断路器健康管理提供了新方案,进一步实现了精准决策,体现了较高的应用价值。
史昊[8]（2019）在《智能真空断路器在线监测与故障诊断的研究与实现》文中提出真空断路器是电力系统中的重要设备。随着数字技术的发展,国家电网对真空断路器提出了在线监测与故障诊断的要求。目前,真空断路器的在线监测与故障诊断主要依据单一信号,难以实现全面诊断。针对此缺陷,本文以ABB公司12kV iVD4智能真空断路器为研究对象,进行在线监测与故障诊断的研究。首先,研究真空断路器机构,把其分为辅助模块、传动模块和主回路模块。查阅文献资料,确定真空断路器除绝缘故障之外最常见的故障为拒动故障,且经常出现在辅助模块和传动模块中。其次,确定辅助模块和传动模块的传感器型号及安装位置。设计多种拒动故障的模拟方法,并在真空断路器空载条件下,进行故障植入试验,获取电流信号、振动信号、角位移信号和压力信号。获取信号样本经小波降噪平滑之后,用于后续特征提取和故障诊断。然后,针对传动模块,利用振动时域波形提取信号的均方根值、歪度指标和峭度指标;研究一种自适应噪声与自相关的完备经验模态分解算法,把振动信号分解为与原振动信号强相关的IMF分量并对高频IMF1-IMF3分量提取Hilbert边际谱能量;利用小波包对振动信号分解并提取每个尺度的小波包能谱熵;根据角位移和压力信号,研究一种行压联合的方式,提取真空断路器重要的机械特性参数。所有特征组成特征空间,利用特征评估技术筛选出传动模块的敏感特征并作为该模块的故障诊断特征。针对辅助模块,利用电流轮廓法分别提取分/合闸脱扣器和储能电机的电流特征;利用样本熵法提取脱扣器电流样本熵;利用分段积分法提取储能电机启动、空转和做功三阶段的积分值。同理,以特征评估技术筛选出辅助模块的敏感特征并作为该模块的故障诊断特征。最后,对传动模块和辅助模块的敏感特征分别应用非线性状态估计技术、支持向量机和概率神经网络进行故障诊断,并对比诊断效果。在有限的样本下,辅助模块的最优故障诊断算法为非线性状态估计,检出率为100%;传动模块的最优故障诊断算法为概率神经网络,检出率为97.59%。两者互相配合,全面高效地实现智能真空断路器在线监测与故障诊断。
张佳[9]（2019）在《基于粒子群优化极限学习机的高压断路器故障诊断技术》文中指出断路器在电力系统中承担着控制和保护的任务,是电力系统中极其重要的电气设备,若断路器发生故障将会造成巨大的损失。高压断路器在线监测与故障诊断可以及时发现故障,为断路器从定期检修到状态检修提供条件,提高了供配电可靠性、减少了维修保养费用。目前,高压断路器在线监系统仍然存在一些问题需进一步研究与探讨,如传感器选用不当,参数测量不准确;特征值提取和故障诊断方法不够完善,影响诊断结果等。本文以“VS1-12”型真空断路器为研究对象,对断路器机械特性进行在线监测及故障诊断研究,主要研究内容如下:（1）通过搭建实验平台,模拟了断路器分闸线圈铁芯卡涩、二次回路电压偏高、二次回路电压偏低等典型故障并采集了触头行程信号和分合闸线圈电流信号。（2）针对触头行程曲线提出了基于求导（求触头速度）方式的特征值提取方法以及针对分合闸线圈电流提出了基于改进的总体平均经验模态分解（Modified Ensemble Empirical Mode Decomposition,MEEMD）算法的特征值提取方法,根据上述方法提取了 120组断路器正常及故障状态下触头行程曲线和分合闸电流曲线的特征值并创建了特征值样本库。（3）建立了基于极限学习机（Extreme Learning Machines,ELM）网络、遗传算法（Genetic Algorithm,GA）优化 ELM 网络、粒子群（Particle Swarm Optimization,PSO）优化ELM网络的三种断路器故障诊断模型,并分别采用单信息诊断和多信息融合诊断两种诊断技术进行断路器故障诊断的仿真分析。（4）使用Java设计了断路器在线监测和故障诊断上位机软件系统,该系统包含了“状态曲线显示”、“特征值提取”、“故障诊断”等多个模块;同时采用MySQL数据库储存数据,实现了断路器历史信息的查询和遍历。
张胤[10]（2019）在《基于云物元与证据理论的真空断路器状态评估研究》文中进行了进一步梳理断路器是电力系统中重要的设备,起到保护与控制的双重作用,真空断路器因具有熄弧能力强、寿命长且对周围环境无污染等优点而大量应用于配电网系统中,其运行可靠性对电力系统的安全与稳定有着直接的影响。状态检修能根据设备状态信息判断设备是否存在异常,在故障发生之前进行检修,有效防止事故发生。开展真空断路器的状态检修,对经济有效地保证断路器与电网的安全运行具有重要意义。状态检修的基础是准确可靠的状态评估,因此本文提出基于云物元与证据理论的真空断路器状态评估方法。本文首先根据真空断路器的结构、运行过程及常见故障将真空断路器状态评估划分为真空特性、机械特性、电气特性及其他因素四个项目,结合状态评估的需要和实际的可操作性选择相应评估指标,构建真空断路器状态评估的多层次指标体系。评估指标权重的计算采用合作博弈结合变权公式的方法,合作博弈法将改进层次分析法、熵权法和反熵权法所得权重进行组合得到常权重;采用变权公式根据指标数据对常权重进行优化得到最终权重。采用云物元结合证据理论的评估方法,进行对真空断路器的状态评估,云物元将状态等级区间用云模型代替,以待评物元的指标数据为云滴计算对各状态等级的关联度,结合指标权重得出各项目的评估结果;证据理论则通过对所得四个项目的评估结果进行融合,得到断路器整体状态的评价等级关联度,根据证据理论的评估决策方法得出真空断路器的状态评估结果。以ZN63A-12型真空断路器为对象,搭建状态监测系统采集相关指标数据并结合历史记录对断路器状态进行评估。结果表明本文所提的真空断路器状态评估方法能有效准确地对真空断路器状态进行评估。
二、真空断路器的智能检测及故障诊断技术（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、真空断路器的智能检测及故障诊断技术（论文提纲范文）
（1）高压断路器振动信号特征提取及故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 高压断路器结构及类型 |
| 1.3 高压断路器状态监测与故障诊断国内外研究现状 |
| 1.3.1 信号采集与分析 |
| 1.3.2 高压断路器故障诊断方法 |
| 1.4 本文主要研究内容 |
| 第2章 基于机构动作时间参数的高压断路器振动信号特征提取方法 |
| 2.1 引言 |
| 2.2 实验平台及其工作原理 |
| 2.3 振动信号中提取机构动作时间参数方法 |
| 2.3.1 Teager能量算子 |
| 2.3.2 短时能量比 |
| 2.3.3 定位时间参数 |
| 2.4 故障模拟与信号测量 |
| 2.5 振动信号中提取机构动作时间参数结果分析 |
| 2.6 特征向量提取 |
| 2.7 本章小结 |
| 第3章 不平衡数据及故障数据未标记对故障诊断模型的影响分析 |
| 3.1 引言 |
| 3.2 核极限学习机算法 |
| 3.3 理想条件下故障诊断结果分析 |
| 3.4 不平衡数据对故障诊断模型的影响分析 |
| 3.5 故障数据未标记对故障诊断模型的影响分析 |
| 3.5.1 无故障样本数据 |
| 3.5.2 发生未知故障 |
| 3.6 本章小结 |
| 第4章 基于数据过采样的高压断路器不平衡数据故障诊断方法 |
| 4.1 引言 |
| 4.2 SMOTE类过采样算法局限性分析 |
| 4.3 DWMO算法 |
| 4.4 实验验证 |
| 4.4.1 DWMO算法在KEEL数据集分类中的应用 |
| 4.4.2 DWMO算法在高压断路器不平衡数据故障诊断中的应用 |
| 4.5 本章小结 |
| 第5章 基于单分类极限学习机集成的高压断路器不平衡数据故障诊断方法 |
| 5.1 引言 |
| 5.2 OCELM算法 |
| 5.3 MC-OCELM算法 |
| 5.4 实验验证 |
| 5.4.1 MC-OCELM算法在KEEL数据集分类中的应用 |
| 5.4.2 MC-OCELM算法在高压断路器不平衡数据故障诊断中的应用 |
| 5.5 本章小结 |
| 第6章 基于改进单分类极限学习机的高压断路器未标记故障识别方法 |
| 6.1 引言 |
| 6.2 DW-OCELM算法 |
| 6.3 实验验证 |
| 6.3.1 DW-OCELM算法在KEEL数据集异常检测中的应用 |
| 6.3.2 DW-OCELM算法在高压断路器未标记故障识别中的应用 |
| 6.4 本章小结 |
| 第7章 结论与展望 |
| 7.1 研究结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（2）基于改进SVM算法的高压断路器故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 高压断路器故障诊断研究现状 |
| 1.2.1 高压断路器的状态特征信号研究 |
| 1.2.2 高压断路器故障状态识别方法研究 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 2 高压断路器的工作机理及典型故障 |
| 2.1 高压断路器的基本结构 |
| 2.2 高压断路器常见故障 |
| 2.3 高压断路器信号处理 |
| 2.3.1 分合闸线圈电流信号分析与采集 |
| 2.3.2 动触头位移信号分析与采集 |
| 2.3.3 多源特征信号融合 |
| 2.4 本章小结 |
| 3 高压断路器特征信号降维算法研究 |
| 3.1 数据降维的意义 |
| 3.2 主成分分析法 |
| 3.2.1 主成分分析法的理论基础 |
| 3.2.2 主成分分析法的基本原理 |
| 3.2.3 主成分的求解步骤 |
| 3.3 主成分分析在高压断路器故障数据特征中的应用 |
| 3.4 本章小结 |
| 4 改进支持向量机的算法研究 |
| 4.1 支持向量机算法 |
| 4.1.1 支持向量机简介 |
| 4.1.2 支持向量机的基本原理 |
| 4.2 粒子群算法 |
| 4.2.1 优化算法 |
| 4.2.2 粒子群算法基本原理 |
| 4.3 改进粒子群算法的分析与研究 |
| 4.3.1 自适应粒子群算法的基本原理 |
| 4.3.2 APSO-SVM算法模型的建立 |
| 4.4 Griewank评价函数性能测试 |
| 4.5 本章小结 |
| 5 高压断路器故障诊断仿真与分析 |
| 5.1 高压断路器故障诊断总体方案设计 |
| 5.2 基于PCA优化多源特征量的故障诊断 |
| 5.2.1 基于PCA的多源特征优化 |
| 5.2.2 基于PCA-SVM的高压断路器故障诊断 |
| 5.3 基于PSO-PCA-SVM的高压断路器故断诊断 |
| 5.4 基于APSO-PCA-SVM的高压断路器故障诊断 |
| 5.5 不同算法故障分类性能比较 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（3）基于STM32和4G无线通信的真空断路器状态监测及故障诊断系统（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和目的 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容与结构安排 |
| 第二章 真空断路器状态监测及故障诊断系统总体架构 |
| 2.1 高压断路器基本结构和工作原理 |
| 2.1.1 高压断路器基本结构 |
| 2.1.2 VS1 型高压真空断路器组成结构及工作原理 |
| 2.2 真空断路器典型故障分析 |
| 2.2.1 拒动故障分析 |
| 2.2.2 绝缘故障分析 |
| 2.2.3 误动故障分析 |
| 2.2.4 其他故障 |
| 2.3 系统总体架构 |
| 2.4 真空断路器被监测量的选择 |
| 2.4.1 动触头行程量监测 |
| 2.4.2 振动量监测 |
| 2.4.3 分合闸线圈电流信号监测 |
| 2.4.4 合闸触头接触压力监测 |
| 2.5 本章小结 |
| 第三章 系统硬件电路设计 |
| 3.1 系统硬件整体设计框图 |
| 3.2 信号采集电路 |
| 3.2.1 动触头行程量采集 |
| 3.2.2 振动信号采集 |
| 3.2.3 分合闸线圈电流信号采集 |
| 3.2.4 合闸触头接触压力信号采集 |
| 3.3 AD采集模块设计 |
| 3.4 STM32 及其外围电路 |
| 3.4.1 STM32F407V电路 |
| 3.4.2 SWD接口电路 |
| 3.4.3 铁电存储器电路 |
| 3.4.4 指示灯电路 |
| 3.4.5 RS232/RS485 电路 |
| 3.5 EC20 4G通信模块及其外围电路 |
| 3.5.1 EC20 4G通信模块 |
| 3.5.2 电平转换电路 |
| 3.5.3 SIM卡电路 |
| 3.5.4 USB通讯电路 |
| 3.6 电源模块电路 |
| 3.6.1 220V转9V |
| 3.6.2 9V转5V |
| 3.6.3 5V转3.3V |
| 3.6.4 锂电池充电控制电路 |
| 3.7 本章小结 |
| 第四章 系统软件设计与测试 |
| 4.1 软件开发环境 |
| 4.2 单片机主程序设计 |
| 4.3 A/D中断数据采集程序 |
| 4.4 数据通信设计 |
| 4.4.1 GPRS数据通信 |
| 4.4.2 短信报警设计 |
| 4.5 系统测试及断路器模拟故障分析 |
| 4.5.1 电源测试 |
| 4.5.2 串口数据传输测试 |
| 4.5.3 4G远程数据通信实验测试 |
| 4.5.4 模拟真空断路器故障实验结果 |
| 4.6 本章小结 |
| 第五章 高压真空断路器故障诊断算法 |
| 5.1 基于BP神经网络的真空断路器故障诊断算法 |
| 5.1.1 BP神经网络的基本原理 |
| 5.1.2 BP神经网络的算法流程 |
| 5.1.3 BP神经网络的局限性 |
| 5.2 基于PSO-BP的真空断路器故障诊断算法 |
| 5.2.1 粒子群算法简介 |
| 5.2.2 改进粒子群算法 |
| 5.2.3 基于改进粒子群算法的BP神经网络 |
| 5.3 故障诊断实验结果及分析 |
| 5.3.1 故障数据特征值提取 |
| 5.3.2 网络训练 |
| 5.3.3 网络测试 |
| 5.3.4 性能分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读硕士期间的学术活动及成果情况 |
（4）ZNZ8-12型户内智能真空断路器关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要工作 |
| 1.3.1 基本研究思路 |
| 1.3.2 章节安排 |
| 第2章 互感器与断路器极柱一体化技术研究 |
| 2.1 引言 |
| 2.2 互感器的选型研究 |
| 2.2.1 电流互感器的选型 |
| 2.2.2 电压互感器的选型 |
| 2.3 互感器与断路器极柱一体化设计 |
| 2.3.1 集成化方案设计 |
| 2.3.2 电流互感器设计 |
| 2.3.3 电压互感器设计 |
| 2.4 一体化结构性能研究 |
| 2.4.1 绝缘性能 |
| 2.4.2 开断性能 |
| 2.5 本章小结 |
| 第3章 综保装置与断路器一体化研究 |
| 3.1 引言 |
| 3.2 综保装置与断路器一体化设计 |
| 3.2.1 安装方案设计 |
| 3.2.2 安装方案优势 |
| 3.3 综保装置设计 |
| 3.3.1 结构尺寸设计 |
| 3.3.2 主要功能 |
| 3.3.3 在线监测功能 |
| 3.4 断路器内走线及互感器接地布置 |
| 3.4.1 断路器内走线布置 |
| 3.4.2 互感器接地的布置 |
| 3.5 本章小结 |
| 第4章 智能断路器试验研究 |
| 4.1 引言 |
| 4.2 型式试验研究 |
| 4.2.1 互感器与固封极柱的试验研究 |
| 4.2.2 综保装置与智能断路器的试验研究 |
| 4.3 联合调试试验研究 |
| 4.3.1 联调试验方案及回路设计 |
| 4.3.2 联调试验结果及分析 |
| 4.3.3 小结 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（5）电力机车真空断路器故障度在线检测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 真空断路器在线检测研究现状 |
| 1.3 本文研究的主要内容 |
| 第2章 真空断路器的特性及故障度分析 |
| 2.1 真空断路器的结构及工作原理 |
| 2.2 真空断路器的特性分析 |
| 2.2.1 真空断路器电路模型的分析 |
| 2.2.2 真空断路器开合过程分析 |
| 2.2.3 真空断路器线圈电流的分析 |
| 2.3 真空断路器常见故障分析 |
| 2.4 真空断路器故障度模型 |
| 2.4.1 输入层参量的确定 |
| 2.4.2 输出层故障度的设计 |
| 2.5 本章小结 |
| 第3章 基于BP神经网络的真空断路器故障度模型 |
| 3.1 BP神经网络模型 |
| 3.2 故障度模型数据处理 |
| 3.2.1 样本数据的选取 |
| 3.2.2 数据的预处理 |
| 3.2.3 网络层数与神经元个数的确定 |
| 3.3 故障度模型仿真分析 |
| 3.4 故障度评价模型的验证 |
| 3.5 故障度评价模型的分析 |
| 3.5.1 效果分析 |
| 3.5.2 训练组数量对结果的影响 |
| 3.6 本章小结 |
| 第4章 真空断路器故障度在线检测系统设计 |
| 4.1 真空断路器在线检测方案设计 |
| 4.2 在线检测系统结构 |
| 4.3 在线检测系统硬件电路设计 |
| 4.3.1 直流电压采集电路 |
| 4.3.2 直流电流采集电路 |
| 4.3.3 交流电流采集电路 |
| 4.3.4 USB数据下载电路 |
| 4.3.5 嵌入式控制器最小系统电路 |
| 4.3.6 霍尔传感器以及微型精密电流互感器 |
| 4.3.7 电源电路设计 |
| 4.4 在线检测系统软件设计 |
| 4.4.1 主程序流程 |
| 4.4.2 USB数据下载部分流程 |
| 4.4.3 GPRS无线数传部分流程 |
| 4.4.4 串口屏显示部分流程 |
| 4.4.5 数据采集部分流程 |
| 4.5 本章小结 |
| 第5章 真空断路器故障度在线检测系统的研制及试验 |
| 5.1 故障度在线检测装置的研制 |
| 5.1.1 在线检测装置实物 |
| 5.1.2 检测系统软件界面 |
| 5.2 故障度在线检测装置的试验 |
| 5.2.1 HXD1B0009 机车数据分析 |
| 5.2.2 HXD1B0099 机车数据分析 |
| 5.2.3 HXD1B0221 机车数据分析 |
| 5.2.4 试验分析及总结 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的学术成果 |
（6）基于操作机构控制回路检测的高压断路器机械故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题的研究意义 |
| 1.2 断路器故障诊断技术研究发展与现状 |
| 1.2.1 国内外研究现状 |
| 1.2.2 高压断路器机械故障诊断监测对象选取 |
| 1.2.3 断路器特征值提取 |
| 1.2.4 断路器机械状态诊断 |
| 1.3 深度神经网络 |
| 1.4 研究内容及论文安排 |
| 2 高压断路器的振动信号特征提取与分类 |
| 2.1 高压断路器的振动信号 |
| 2.2 基于振动信号的高压断路器故障诊断方式 |
| 2.3 基于变分模态分解的断路器振动信号处理 |
| 2.4 基于支持向量机模型的机械状态诊断 |
| 2.5 本章小结 |
| 3 卷积神经网络及长短期记忆网络理论基础 |
| 3.1 指示图集 |
| 3.2 CNN模型的理论基础 |
| 3.2.1 卷积层 |
| 3.2.2 激活函数 |
| 3.2.3 池化层 |
| 3.2.4 全连接层和dropout操作 |
| 3.2.5 Softmax分类器 |
| 3.3 LSTM模型的理论基础 |
| 3.4 本章小结 |
| 4 基于CNN-LSTM混合网络的高压断路器机械故障诊断模型 |
| 4.1 梯度下降及正反向传递 |
| 4.1.1 梯度下降 |
| 4.1.2 正向传递 |
| 4.1.3 反向传递 |
| 4.2 基于CNN-LSTM混合神经网络模型的故障诊断模型及步骤 |
| 4.3 本章小结 |
| 5 基于10kV真空高压断路器的实验及结果分析 |
| 5.1 高压真空断路器 |
| 5.2 系统及参数 |
| 5.3 实验与分析 |
| 5.4 本章总结 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文目录 |
| 攻读硕士学位期间参与的科研项目情况 |
（7）基于振动信号处理的高压断路器机械故障诊断（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究近况 |
| 1.2.2 国内研究近况 |
| 1.3 现存问题 |
| 1.4 论文主要研究内容和章节安排 |
| 第二章 试验设计与信号采集 |
| 2.1 高压断路器及其分类 |
| 2.2 断路器的信号采集系统 |
| 2.2.1 传感器的选型与安装位置 |
| 2.2.1.1 振动传感器的选型 |
| 2.2.1.2 振动传感器的安装 |
| 2.2.2 信号采集平台设计 |
| 2.3 模拟故障实验设计 |
| 2.3.1 VD4真空断路器常见的机械故障 |
| 2.3.2 模拟机械故障实验 |
| 2.4 本章小结 |
| 第三章 振动信号去噪与分析 |
| 3.1 小波阈值去噪 |
| 3.1.1 小波阈值去噪方式 |
| 3.1.2 去噪效果评估指标 |
| 3.2 小波阈值去噪分析 |
| 3.3 本章小结 |
| 第四章 振动信号的特征提取及分析 |
| 4.1 基于集合经验模态分解—近似熵的特征提取 |
| 4.1.1 集合经验模态分解—近似熵原理 |
| 4.1.1.1 集合经验模态分解 |
| 4.1.1.2 近似熵 |
| 4.1.2 基于集合经验模态分解-近似熵特征提取的样本分析 |
| 4.2 基于小波变换—局部二值模式的特征提取 |
| 4.2.1 小波变换—局部二值模式 |
| 4.2.1.1 小波变换 |
| 4.2.1.2 局部二值模式 |
| 4.2.2 基于小波变换—局部二值模式的特征提取样本分析 |
| 4.3 本章小结 |
| 第五章 振动信号的故障识别及分析 |
| 5.1 基于粒子群优化支持向量机参数的故障识别 |
| 5.1.1 支持向量机分类 |
| 5.1.1.1 线性分类SVM |
| 5.1.1.2 基于核的非线性分类SVM |
| 5.1.2 粒子群优化算法 |
| 5.1.3 基于支持向量机分类的故障识别分析 |
| 5.1.3.1 集合经验模态分解-近似熵的支持向量机分类分析 |
| 5.1.3.2 小波变换—局部二值模式的支持向量机分类分析 |
| 5.2 基于BP神经网络的故障识别 |
| 5.2.1 BP神经网络 |
| 5.2.2 基于BP神经网络的故障诊断分析 |
| 5.2.2.1 集合经验模态分解-近似熵的BP神经网络分类分析 |
| 5.2.2.2 小波变换—局部二值模式的BP神经网络分类分析 |
| 5.3 诊断效果比较 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 主要研究成果 |
（8）智能真空断路器在线监测与故障诊断的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.2 高压断路器在线监测与故障诊断研究现状 |
| 1.2.1 高压断路器在线监测研究现状 |
| 1.2.2 高压断路器故障诊断研究现状 |
| 1.3 论文主要研究内容及章节安排 |
| 第二章 真空断路器模块及对应监测信号确定 |
| 2.1 真空断路器基本结构 |
| 2.2 真空断路器模块 |
| 2.3 真空断路器故障及模块监测量确定 |
| 2.3.1 真空断路器故障 |
| 2.3.2 模块监测量确定 |
| 2.4 本章小结 |
| 第三章 故障模拟试验及试验设计 |
| 3.1 传感器选型及安装位置确定 |
| 3.2 故障模拟及试验设计 |
| 3.2.1 故障模拟方法 |
| 3.2.2 正交试验设计方案 |
| 3.3 多种信号采集 |
| 3.4 本章小结 |
| 第四章 传动模块特征提取及特征评估 |
| 4.1 信号预处理 |
| 4.2 振动特征提取 |
| 4.2.1 时域特征提取 |
| 4.2.2 CEEMDANA算法 |
| 4.2.2.1 CEEMDANA算法原理 |
| 4.2.2.2 CEEMDANA对信号的实例分析 |
| 4.2.3 高频模态的Hilbert边际谱能量 |
| 4.2.4 小波包能谱熵 |
| 4.3 机械特性参数特征提取 |
| 4.3.1 基于角位移的断路器行程测量原理 |
| 4.3.2 基于压力的刚分/刚合点确定 |
| 4.3.3 行压联合提取机械特性特征参数 |
| 4.4 特征评估 |
| 4.5 本章小结 |
| 第五章 辅助模块特征提取及特征评估 |
| 5.1 分/合闸脱扣器特征提取 |
| 5.1.1 线圈电流轮廓法 |
| 5.1.2 样本熵 |
| 5.2 储能电机特征提取 |
| 5.2.1 电机电流轮廓法 |
| 5.2.2 分段积分法 |
| 5.3 特征评估 |
| 5.4 本章小结 |
| 第六章 模块故障诊断算法及实例分析对比 |
| 6.1 故障诊断算法 |
| 6.1.1 NSET建模原理 |
| 6.1.2 支持向量机 |
| 6.1.3 概率神经网络 |
| 6.2 模块故障诊断实例分析及对比 |
| 6.2.1 辅助模块故障诊断实例分析 |
| 6.2.2 传动模块故障诊断实例分析 |
| 6.2.3 模块故障诊断结果对比 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（9）基于粒子群优化极限学习机的高压断路器故障诊断技术（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外发展概况 |
| 1.3 本文主要工作 |
| 第二章 高压断路器基本结构及在线监测系统 |
| 2.1 高压断路器基本结构 |
| 2.2 高压断路器故障分析 |
| 2.3 高压断路器的状态量监测 |
| 2.3.1 运行状态监测信号 |
| 2.3.2 在线监测系统介绍 |
| 2.3.3 传感器选择及安装位置 |
| 2.4 本章小结 |
| 第三章 高压断路器状态量特征值提取 |
| 3.1 触头行程的特征值提取 |
| 3.1.1 机械特性参数的定义 |
| 3.1.2 基于角位移的触头行程测量原理 |
| 3.1.3 触头行程的特征值提取 |
| 3.2 分合闸线圈电流的特征值提取 |
| 3.2.1 分合闸线圈电流特征分析 |
| 3.2.2 MEEMD基本原理 |
| 3.2.3 特征值提取 |
| 3.2.4 故障状态下分合闸线圈电流曲线 |
| 3.2.5 MEEMD与小波变换的比较 |
| 3.3 特征值样本库的建立 |
| 3.4 本章小结 |
| 第四章 基于PSO-ELM的高压断路器故障诊断技术 |
| 4.1 ELM基本原理 |
| 4.2 基于GA算法的优化 |
| 4.2.1 GA基本原理 |
| 4.2.2 GA-ELM模型搭建 |
| 4.3 基于PSO算法的优化 |
| 4.3.1 PSO基本原理 |
| 4.3.2 PSO-ELM模型搭建 |
| 4.4 故障诊断及结果分析 |
| 4.4.1 基于单信息的故障诊断 |
| 4.4.2 基于信息融合的故障诊断 |
| 4.5 本章小结 |
| 第五章 断路器在线监测与故障诊断上位机系统设计 |
| 5.1 开发环境及关键技术 |
| 5.1.1 开发平台介绍 |
| 5.1.2 MATLAB和Java混合编程 |
| 5.2 系统整体结构设计 |
| 5.3 数据显示模块 |
| 5.4 数据处理模块 |
| 5.4.1 特征值提取 |
| 5.4.2 故障诊断 |
| 5.5 数据管理模块 |
| 5.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 主要研究成果 |
（10）基于云物元与证据理论的真空断路器状态评估研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 断路器状态监测与评估研究现状 |
| 1.2.1 状态监测研究现状 |
| 1.2.2 状态评估研究现状 |
| 1.3 本文主要研究工作 |
| 2 云物元与证据理论 |
| 2.1 云物元 |
| 2.1.1 物元理论 |
| 2.1.2 云模型 |
| 2.1.3 云物元理论 |
| 2.2 证据理论 |
| 2.2.1 证据理论基本概念 |
| 2.2.2 证据理论融合规则 |
| 2.3 本章小结 |
| 3 真空断路器状态评估指标体系 |
| 3.1 真空断路器结构 |
| 3.2 真空断路器故障分析 |
| 3.3 真空断路器状态评估指标体系 |
| 3.4 本章小结 |
| 4 状态评估指标权重计算 |
| 4.1 合作博弈组合权重 |
| 4.1.1 改进层次分析法 |
| 4.1.2 熵权法与反熵权法 |
| 4.1.3 合作博弈组合权重 |
| 4.2 变权理论的权重修正 |
| 4.3 指标权重计算流程 |
| 4.4 本章小结 |
| 5 基于云物元与证据理论的状态评估方法 |
| 5.1 状态评估等级与方法结构 |
| 5.1.1 状态评估等级的划分 |
| 5.1.2 状态评估的方法结构 |
| 5.2 基于云物元的项目层评估 |
| 5.3 基于证据理论的整体评估 |
| 5.4 本章小结 |
| 6 状态评估实例验证 |
| 6.1 真空断路器状态监测系统搭建 |
| 6.1.1 传感器选型与安装 |
| 6.1.2 信息处理模块及采集卡选型与安装 |
| 6.2 真空断路器状态评估 |
| 6.2.1 真空特性评估 |
| 6.2.2 机械特性评估 |
| 6.2.3 电气特性评估 |
| 6.2.4 其他因素评估 |
| 6.2.5 整体状态评估 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
四、真空断路器的智能检测及故障诊断技术（论文参考文献）
- [1]高压断路器振动信号特征提取及故障诊断方法研究[D]. 陈磊. 华北电力大学(北京), 2021(01)
- [2]基于改进SVM算法的高压断路器故障诊断[D]. 盖曜麟. 内蒙古农业大学, 2021(02)
- [3]基于STM32和4G无线通信的真空断路器状态监测及故障诊断系统[D]. 孙伟业. 合肥工业大学, 2021
- [4]ZNZ8-12型户内智能真空断路器关键技术研究[D]. 郭培军. 中国电力科学研究院, 2020(04)
- [5]电力机车真空断路器故障度在线检测系统研究[D]. 孙超杰. 湖北工业大学, 2020(11)
- [6]基于操作机构控制回路检测的高压断路器机械故障诊断方法研究[D]. 曹宇鹏. 辽宁石油化工大学, 2020(04)
- [7]基于振动信号处理的高压断路器机械故障诊断[D]. 范露. 厦门理工学院, 2020(01)
- [8]智能真空断路器在线监测与故障诊断的研究与实现[D]. 史昊. 厦门理工学院, 2019(01)
- [9]基于粒子群优化极限学习机的高压断路器故障诊断技术[D]. 张佳. 厦门理工学院, 2019(01)
- [10]基于云物元与证据理论的真空断路器状态评估研究[D]. 张胤. 河南理工大学, 2019(07)