| 致谢 | 第5-7页 |
| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第12-22页 |
| 1.1 课题研究背景及意义 | 第12页 |
| 1.2 国内外汽轮机故障诊断研究现状 | 第12-16页 |
| 1.2.1 汽轮机状态监测研究现状及不足 | 第14-15页 |
| 1.2.2 汽轮机故障诊断研究现状及不足 | 第15-16页 |
| 1.3 数据驱动的汽轮机故障诊断方法 | 第16-18页 |
| 1.3.1 工业大数据定义及特点 | 第16-17页 |
| 1.3.2 基于统计分析的方法 | 第17-18页 |
| 1.3.3 基于信号分析的方法 | 第18页 |
| 1.3.4 基于定量知识的方法 | 第18页 |
| 1.4 本文研究内容与结构 | 第18-20页 |
| 1.5 本章小结 | 第20-22页 |
| 2 基于非线性状态估计的汽轮机状态监测技术研究 | 第22-40页 |
| 2.1 非线性状态估计原理 | 第22-25页 |
| 2.1.1 建立模型 | 第23-24页 |
| 2.1.2 产生估计值 | 第24页 |
| 2.1.3 生成偏差值 | 第24-25页 |
| 2.2 基于标准欧氏距离的汽轮机非线性状态估计方法 | 第25-34页 |
| 2.2.1 确定模型测点 | 第25-26页 |
| 2.2.2 建立状态矩阵 | 第26-27页 |
| 2.2.3 相似性算子优化 | 第27-31页 |
| 2.2.4 状态矩阵优化 | 第31-34页 |
| 2.3 汽轮机状态监测预警案例分析 | 第34-37页 |
| 2.3.1 轴承振动偏差故障案例 | 第34-36页 |
| 2.3.2 高压缸热膨胀偏差大故障案例 | 第36-37页 |
| 2.4 本章小结 | 第37-40页 |
| 3 基于延迟关联分析及可视化的汽轮机故障诊断技术研究 | 第40-54页 |
| 3.1 工业时序数据相关性度量 | 第40-44页 |
| 3.1.1 时序数据的定义 | 第40-41页 |
| 3.1.2 时序数据的相似性 | 第41页 |
| 3.1.3 时序数据相似性影响因素 | 第41-42页 |
| 3.1.4 经典相似性度量方法 | 第42-44页 |
| 3.2 基于皮尔逊相关系数的延迟关联分析 | 第44-46页 |
| 3.2.1 皮尔逊相关系数 | 第44-45页 |
| 3.2.2 延迟关联分析 | 第45-46页 |
| 3.3 相关性可视化及可视分析 | 第46-47页 |
| 3.3.1 工业大数据可视化 | 第46页 |
| 3.3.2 相关性可视化及可视分析 | 第46-47页 |
| 3.4 汽轮机故障诊断案例分析 | 第47-52页 |
| 3.4.1 | 第47-49页 |
| 3.4.2 高压缸热膨胀偏差大预警案例 | 第49-51页 |
| 3.4.3 案例分析小结 | 第51-52页 |
| 3.5 本章小结 | 第52-54页 |
| 4 汽轮机故障深度分析系统设计与开发 | 第54-62页 |
| 4.1 系统总体架构 | 第54-55页 |
| 4.2 系统设计与开发 | 第55-61页 |
| 4.2.1 系统设计原则 | 第55页 |
| 4.2.2 系统开发工具 | 第55-56页 |
| 4.2.3 系统模块功能 | 第56-61页 |
| 4.3 本章小结 | 第61-62页 |
| 5 总结与展望 | 第62-64页 |
| 5.1 本文工作总结 | 第62页 |
| 5.2 研究展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间发表的学术成果及参加的科研项目 | 第70页 |