首页> 正文

基于TMS320F2812的数据采集及电力电缆故障识别

2020-12-06阅读(318)

基于TMS320F2812的数据采集及电力电缆故障识别

论文摘要

电力电缆是用来输送和分配电能的,是电力网的重要组成部分。一旦电力电缆发生故障必将引起局部甚至全部地区的大面积停电,势必给国民经济和人民生活带来巨大的影响,因此,保证电力电缆的安全运行是保证供电网络可靠运行的先决条件。所以,基于TMS320F2812的数据采集模块与电力电缆故障识别研究具有重要意义。本论文以DSP和计算机为硬件平台,以小波分析和人工神经网络为理论基础,设计了基于TMS320F2812的数据采集模块,对故障识别方法进行了深入研究,实现了电力电缆典型故障的识别。论文所做的主要工作有:为了获得电力电缆发生故障时的故障电压或故障电流信号,论文首先设计并完成了基于TMS320F2812的数据采集传输模块。数据采集传输模块的设计包括DSP最小系统、DSP外围扩展电路和外设通信接口电路的原理图与PCB图设计,并详细论述了各个部分的工作原理。然后,基于CCS2.21环境,完成了数据采集传输模块的主程序、DSP初始化程序、中断定时处理程序、A/D中断响应程序及UART传输程序的设计,仔细分析了各程序的工作步骤,给出了各个部分的流程图。最后,对数据采集传输模块的硬件和软件功能进行了测试。实验证明了数据采集传输模块的设计正确性。针对电力电缆故障识别问题,论文首先研究了人工神经网络和小波分析的相关理论知识,建立了两个典型的电缆故障仿真模型。紧接着,构建了反馈型Elman人工神经网络模型,利用Matlab语言编写了故障识别程序,成功实现了电缆的断线和短路故障的识别。最后,利用小波包分解---能量法提取了电缆故障特征信号,构建了松散型小波神经网络结构,对电力电缆的单相短路接地故障、两相短路故障、三相短路接地故障进行了正确的故障识别和分类。通过两个实例表明,仿真模型有效,两个分类器性能良好。

论文目录

  • 摘要
  • Abstract
  • 1 绪论
  • 1.1 课题背景及研究对象
  • 1.2 电力电缆的故障类型及成因
  • 1.3 智能故障诊断的发展现状和趋势
  • 1.4 研究的主要内容
  • 1.4.1 故障诊断的研究内容
  • 1.4.2 智能故障诊断的研究方法
  • 1.4.3 电力电缆故障识别所采用的方法
  • 1.5 本文所做的主要工作
  • 2 电力电缆故障机理和识别系统的设计
  • 2.1 故障机理
  • 2.1.1 行波和它的波动方程
  • 2.1.2 故障时暂态行波的产生
  • 2.1.3 序分量与电力电缆故障特征
  • 2.2 识别系统组成
  • 2.3 识别系统设计
  • 2.4 小结
  • 3 数据采集模块的设计
  • 3.1 数据采集模块的组成
  • 3.2 DSP 芯片的选择
  • 3.2.1 TMS320F2812 的结构特征
  • 3.2.2 选用TMS320F2812 的理由
  • 3.3 数据采集模块的硬件设计
  • 3.3.1 数据采集模块硬件设计
  • 3.3.2 DSP 最小系统的设计
  • 3.3.3 DSP 外围电路的设计
  • 3.3.4 DSP 电路板设计
  • 3.4 数据采集模块的软件设计
  • 3.4.1 DSP 开发环境
  • 3.4.2 数据采集模块主流程图
  • 3.4.3 A/D 采集实现
  • 3.4.4 A/D 校正实现
  • 3.4.5 UART 传输实现
  • 3.5 数据采集模块的软、硬件调试
  • 3.6 数据采集模块验证及原始数据
  • 3.7 小结
  • 4 基于人工神经网络和小波的电缆故障识别研究
  • 4.1 人工神经网络概述
  • 4.1.1 人工神经网络的描述
  • 4.1.2 人工神经网络的特点
  • 4.1.3 人工神经网络的模型
  • 4.2 神经网络与故障诊断
  • 4.3 电力电缆故障仿真模型
  • 4.4 ELMAN 神经网络模型
  • 4.4.1 人工神经网络模型的分类与选取
  • 4.4.2 ELMAN 神经网络模型
  • 4.4.3 ELMAN 神经网络学习算法
  • 4.4.4 建立ELMAN 神经网络模型
  • 4.5 电力电缆故障识别流程及实例
  • 4.5.1 故障识别的流程
  • 4.5.2 故障识别实例一
  • 4.6 小波基本理论
  • 4.6.1 小波概述
  • 4.6.2 小波变换
  • 4.6.3 多分辨率分析
  • 4.6.4 小波基比较与选择
  • 4.6.5 小波在故障识别中的应用
  • 4.7 小波包分析理论
  • 4.7.1 小波包定义
  • 4.7.2 小波包性质及算法
  • 4.7.3 小波包提取故障特征信号的方法
  • 4.8 小波神经网络及电缆故障识别的实现
  • 4.8.1 小波神经网络理论
  • 4.8.2 小波神经网络模型
  • 4.8.3 故障识别实例二
  • 4.9 小结
  • 5 结论
  • 5.1 总结
  • 5.2 展望
  • 致谢
  • 参考文献
  • 附录
  • 附录1：数据采集模块硬件原理图
  • 附录2：数据采集板实物图（正面）
  • 附录3：数据采集模块实验环境
  • 附录4：论文中部分程序代码
  • 附录5：攻读硕士学位期间发表论文

    • 相关论文文献

    • [1].动态系统的主动故障诊断技术[J]. 自动化学报 2020(08)
    • [2].工业机器人故障诊断方法发展现状及发展方向[J]. 河南科技 2020(28)
    • [3].电控汽车故障诊断技术的现状与发展趋势[J]. 时代汽车 2020(19)
    • [4].飞机故障诊断中飞参的数据支持作用研究[J]. 电子制作 2019(12)
    • [5].农用汽车发动机状态监测系统与诊断方法研究[J]. 农机化研究 2018(02)
    • [6].烟草机械中故障诊断技术的应用[J]. 南方农机 2018(04)
    • [7].故障诊断技术在烟草机械中的应用和发展趋势[J]. 科技风 2018(22)
    • [8].故障诊断方法现状及发展方向研究[J]. 电工技术 2018(18)
    • [9].石化转动设备状态监测与故障诊断平台及应用[J]. 石化技术 2017(10)
    • [10].舰船电子装备电路板的故障诊断策略研究[J]. 科技与企业 2016(01)
    • [11].航天器故障诊断技术综述及发展趋势[J]. 软件 2016(07)
    • [12].汽轮机故障诊断技术的发展分析和研究[J]. 科技创新与应用 2015(08)
    • [13].星型网络的几种故障诊断度研究[J]. 广西大学学报(自然科学版) 2015(03)
    • [14].大功率陶瓷真空电容的故障诊断和失效分析[J]. 同行 2016(08)
    • [15].三相SPWM逆变电源的故障诊断及仿真[J]. 数码世界 2016(12)
    • [16].盾构机设备监测与故障诊断技术[J]. 科学中国人 2017(05)
    • [17].PeakVue技术在故障诊断中的应用与分析[J]. 科学中国人 2017(06)
    • [18].浅谈传感器的故障诊断技术[J]. 考试周刊 2017(33)
    • [19].基于在线监测平台分析水电厂的故障诊断方法[J]. 科学中国人 2017(09)
    • [20].上海大众汽车故障诊断与排除[J]. 学园 2017(04)
    • [21].论矿山机电设备维修中故障诊断技术的运用[J]. 数码世界 2017(09)
    • [22].舒适性系统车载网络的故障诊断与排除[J]. 现代工业经济和信息化 2019(11)
    • [23].矿山机械设备维修中的故障诊断技术[J]. 石化技术 2020(02)
    • [24].空调制冷异常故障诊断与排除方法解析[J]. 现代制造技术与装备 2020(01)
    • [25].任务驱动教学法在“汽车发动机冷却系故障诊断与排除”教学中的实践[J]. 中阿科技论坛(中英阿文) 2020(04)
    • [26].对化工离心泵常见故障诊断及处理的几点思考[J]. 山东化工 2019(05)
    • [27].故障诊断技术在烟草机械中的应用[J]. 价值工程 2018(21)
    • [28].汽车底盘的故障诊断与修理分析[J]. 科技展望 2016(33)
    • [29].综采机电维修的故障诊断技术[J]. 机电工程技术 2016(10)
    • [30].汽车发动机失火故障诊断方法研究综述[J]. 自动化学报 2017(04)

    标签：;  ;  ;  ;  ;  

    基于TMS320F2812的数据采集及电力电缆故障识别
    下载Doc文档

    猜你喜欢

    © 2024 毕速过 版权所有 鄂ICP备12018319号-5