基于数据驱动的核电厂故障诊断技术研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 选题背景 | 第10-11页 |
| 1.2 故障诊断概述 | 第11-14页 |
| 1.2.1 故障诊断发展 | 第11-12页 |
| 1.2.2 核电厂故障诊断系统概述 | 第12-14页 |
| 1.2.3 基于数据驱动的故障诊断方法 | 第14页 |
| 1.3 反应堆冷却剂系统故障诊断综述 | 第14-16页 |
| 1.3.1 反应堆冷却剂系统功能 | 第14-15页 |
| 1.3.2 反应堆冷却剂系统常见故障 | 第15-16页 |
| 1.4 本文研究内容及结构安排 | 第16-18页 |
| 第2章 核电厂相关信号的特征提取研究 | 第18-30页 |
| 2.1 反应堆冷却剂系统监测参数 | 第18-21页 |
| 2.1.1 堆芯监测参数 | 第18-21页 |
| 2.1.2 系统监测参数 | 第21页 |
| 2.2 特征提取概述 | 第21-23页 |
| 2.2.1 特征提取要求 | 第22页 |
| 2.2.2 特征提取方法 | 第22-23页 |
| 2.3 主元分析方法的特征提取 | 第23-25页 |
| 2.4 基于核主元分析的特征提取 | 第25-27页 |
| 2.4.1 核函数概念 | 第25-26页 |
| 2.4.2 核主元分析方法 | 第26-27页 |
| 2.5 本章小结 | 第27-30页 |
| 第3章 支持向量机及其算法研究 | 第30-48页 |
| 3.1 支持向量机基本理论 | 第30-32页 |
| 3.1.1 机器学习 | 第30-31页 |
| 3.1.2 期望风险最小化原则 | 第31页 |
| 3.1.3 结构风险最小化原则 | 第31-32页 |
| 3.2 支持向量机分类 | 第32-40页 |
| 3.2.1 支持向量机分类原理 | 第32-37页 |
| 3.2.2 多分类方法 | 第37-40页 |
| 3.3 支持向量机回归 | 第40-46页 |
| 3.3.1 支持向量机回归原理 | 第40-42页 |
| 3.3.2 最小二乘支持向量机 | 第42-43页 |
| 3.3.3 基于时序模糊粒化的SVR回归预测 | 第43-46页 |
| 3.4 本章小结 | 第46-48页 |
| 第4章 基于数据驱动的故障诊断技术研究 | 第48-65页 |
| 4.1 基于KPCA的过程监控 | 第48-54页 |
| 4.1.1 KPCA算法 | 第48-49页 |
| 4.1.2 过程监控实例分析 | 第49-54页 |
| 4.2 支持向量机故障诊断 | 第54-58页 |
| 4.2.1 核电厂故障样本选取 | 第54-55页 |
| 4.2.2 支持向量机参数选择 | 第55-57页 |
| 4.2.3 故障分类结果 | 第57-58页 |
| 4.3 支持向量机回归预测 | 第58-63页 |
| 4.3.1 SVR预测分析 | 第58-60页 |
| 4.3.2 基于模糊粒化的SVR时序预测 | 第60-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第5章 基于数据驱动的核电厂故障诊断系统设计 | 第65-73页 |
| 5.1 故障诊断要素研究 | 第65-66页 |
| 5.2 故障诊断系统设计 | 第66-70页 |
| 5.2.1 工作流程 | 第67页 |
| 5.2.2 功能分析 | 第67-70页 |
| 5.3 故障诊断工作任务 | 第70-71页 |
| 5.4 本章小结 | 第71-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 致谢 | 第80页 |
