基于数据流的汽轮机组故障智能诊断系统的研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-17页 |
| 1.1 课题研究的目的和意义 | 第11-13页 |
| 1.2 国内外汽轮机组故障诊断系统研究现状 | 第13-15页 |
| 1.2.1 国外汽轮机组故障诊断系统研究现状 | 第13-14页 |
| 1.2.2 国内汽轮机组故障诊断系统研究现状 | 第14-15页 |
| 1.2.3 汽轮机组故障诊断系统的发展概况 | 第15页 |
| 1.3 本文研究内容与结构 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 2 基于数据流的汽轮机组智能诊断系统分析与设计 | 第17-25页 |
| 2.1 数据流定义 | 第17-18页 |
| 2.2 数据流模型和数据流需求应用 | 第18-20页 |
| 2.3 汽轮机组故障智能诊断系统模型 | 第20-23页 |
| 2.3.1 汽轮机组故障智能诊断系统的需求 | 第20-21页 |
| 2.3.2 汽轮机组故障智能诊断系统模型设计 | 第21-22页 |
| 2.3.3 数据流预测模型 | 第22-23页 |
| 2.4 小结 | 第23-25页 |
| 3 数据流查询处理与异常检测技术研究 | 第25-43页 |
| 3.1 数据流连续查询的相关概念 | 第25-26页 |
| 3.2 概要数据构建算法 | 第26-27页 |
| 3.3 基于小波误差树的连续查询 | 第27-30页 |
| 3.3.1 一维Harr小波变换 | 第27-28页 |
| 3.3.2 实验及结果分析 | 第28-30页 |
| 3.4 异常检测概念 | 第30-32页 |
| 3.5 基于预测模型的异常检测方法 | 第32-36页 |
| 3.5.1 异常检测框架 | 第32-33页 |
| 3.5.2 基于高斯过程回归的异常检测 | 第33-36页 |
| 3.6 算例分析 | 第36-41页 |
| 3.6.1 仿真数据分析 | 第36-38页 |
| 3.6.2 实例数据分析 | 第38-41页 |
| 3.7 本章小结 | 第41-43页 |
| 4 基于数据流预测技术的汽轮机组故障特征提取 | 第43-69页 |
| 4.1 预测的概念与数据流预测方法的研究 | 第43-45页 |
| 4.1.1 预测的概念与预测方法 | 第43页 |
| 4.1.2 数据流预测模型 | 第43-45页 |
| 4.2 特征提取和选择 | 第45-52页 |
| 4.2.1 主成分分析 | 第46-48页 |
| 4.2.2 独立成分分析 | 第48-49页 |
| 4.2.3 非负矩阵分解 | 第49-51页 |
| 4.2.4 最大相关最小冗余 | 第51-52页 |
| 4.3 基于深度置信网络的趋势预测 | 第52-55页 |
| 4.4 仿真数据分析 | 第55-59页 |
| 4.5 实例数据分析 | 第59-67页 |
| 4.6 本章小结 | 第67-69页 |
| 5 汽轮机组故障智能诊断系统的设计 | 第69-85页 |
| 5.1 系统总体结构 | 第69-70页 |
| 5.2 故障智能诊断系统的设计与开发 | 第70-78页 |
| 5.2.1 系统总体设计原则 | 第70-71页 |
| 5.2.2 系统开发工具 | 第71-72页 |
| 5.2.3 软件模块设计 | 第72-73页 |
| 5.2.4 系统界面 | 第73-78页 |
| 5.3 系统数据库设计 | 第78-84页 |
| 5.4 本章小结 | 第84-85页 |
| 6 总结与展望 | 第85-87页 |
| 6.1 本文工作总结 | 第85-86页 |
| 6.2 展望 | 第86-87页 |
| 参考文献 | 第87-91页 |
