| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 引言 | 第8-17页 |
| 1.1 研究背景 | 第8-9页 |
| 1.1.1 燃气轮机建模仿真 | 第8页 |
| 1.1.2 燃气轮机性能监测和故障诊断 | 第8-9页 |
| 1.2 燃气轮机建模仿真研究现状 | 第9-11页 |
| 1.3 燃气轮机性能监测和故障诊断研究现状 | 第11-13页 |
| 1.3.1 基于模型的性能监测和故障诊断 | 第11-12页 |
| 1.3.2 基于知识的性能监测和故障诊断 | 第12-13页 |
| 1.3.3 基于数据的性能监测和故障诊断 | 第13页 |
| 1.4 人工神经网络简介 | 第13-15页 |
| 1.4.1 人工神经元 | 第14页 |
| 1.4.2 神经网络结构 | 第14-15页 |
| 1.5 本文研究内容和结构安排 | 第15-17页 |
| 第2章 基于神经网络的压气机特性预测方法 | 第17-47页 |
| 2.1 压气机特性 | 第17-19页 |
| 2.2 压气机特性曲线的预测 | 第19-40页 |
| 2.2.1 BP神经网络预测模型 | 第21-26页 |
| 2.2.2 径向基神经网络预测模型 | 第26-28页 |
| 2.2.3 压气机多转速特性线预测 | 第28-33页 |
| 2.2.4 遗传算法优化BP网络 | 第33-38页 |
| 2.2.5 粒子群算法优化BP网络 | 第38-40页 |
| 2.3 IGV对特性线形状的影响 | 第40-42页 |
| 2.4 压气机特性验证 | 第42-45页 |
| 2.5 本章小结 | 第45-47页 |
| 第3章 9FA单轴重型燃气轮机模型 | 第47-71页 |
| 3.1 基于神经网络的9FA单轴燃气轮机优化动态模型 | 第47-56页 |
| 3.1.1 改进压气机静态特性的模型 | 第47-50页 |
| 3.1.2 反映动态特性的压气机神经网络模型 | 第50-51页 |
| 3.1.3 模型验证 | 第51-56页 |
| 3.2 9FA燃气轮机动态神经网络辨识模型 | 第56-64页 |
| 3.2.1 非线性自回归动态神经网络 | 第57-59页 |
| 3.2.2 基于多层前馈网络的燃气轮机NARX模型 | 第59-64页 |
| 3.3 基于集成学习的燃气轮机多神经网络辨识模型 | 第64-69页 |
| 3.3.1 集成学习算法 | 第64-66页 |
| 3.3.2 基于径向基网络的燃气轮机NARX模型 | 第66页 |
| 3.3.3 基于支持向量机的燃气轮机NARX模型 | 第66-68页 |
| 3.3.4 燃气轮机多神经网络集成模型 | 第68-69页 |
| 3.4 本章小结 | 第69-71页 |
| 第4章 基于神经网络的燃气轮机性能监测和故障诊断方法 | 第71-85页 |
| 4.1 单轴燃气轮机状态监测模型 | 第71-77页 |
| 4.1.1 基于NARX的燃气轮机性能辨识方法 | 第71-73页 |
| 4.1.2 燃气轮机性能监测方法 | 第73-77页 |
| 4.2 单轴燃气轮机故障诊断模型 | 第77-84页 |
| 4.2.1 基于模型的燃气轮机部件故障模式提取 | 第77-79页 |
| 4.2.2 基于模糊神经网络的单轴燃气轮机故障诊断方法 | 第79-82页 |
| 4.2.3 基于故障分类的模糊神经网络故障检测方法 | 第82-84页 |
| 4.3 本章小结 | 第84-85页 |
| 第5章 结论与展望 | 第85-87页 |
| 5.1 论文总结 | 第85页 |
| 5.2 研究展望 | 第85-87页 |
| 参考文献 | 第87-92页 |
| 致谢 | 第92-94页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第94页 |
