| 摘要 | 第1-7页 |
| ABSTRACT | 第7-16页 |
| 第一章 绪论 | 第16-32页 |
| ·选题背景及意义 | 第16-18页 |
| ·国内外研究动态 | 第18-27页 |
| ·设备故障机理及状态监测技术与系统 | 第18-20页 |
| ·故障机理 | 第18-19页 |
| ·状态监测技术与系统 | 第19-20页 |
| ·典型故障特征提取与分析技术 | 第20-25页 |
| ·经典信号分析技术 | 第20页 |
| ·时频分析 | 第20-21页 |
| ·独立分量分析(Independent Component Analysis,ICA) | 第21-24页 |
| ·高阶统计分析 | 第24-25页 |
| ·故障识别与诊断技术 | 第25-27页 |
| ·故障诊断专家系统 | 第26页 |
| ·基于神经网络的故障诊断方法 | 第26-27页 |
| ·课题来源及本文主要研究工作 | 第27-32页 |
| ·问题提出与课题来源 | 第27-28页 |
| ·本文研究内容 | 第28-30页 |
| ·本文章节安排 | 第30-32页 |
| 第二章 汽轮机振动监测与故障诊断技术基础 | 第32-53页 |
| ·汽轮机振动监测技术概述 | 第32-33页 |
| ·转子动力学基础 | 第33-34页 |
| ·转子系统运动方程 | 第33-34页 |
| ·汽轮机振动激励 | 第34-40页 |
| ·概述 | 第34-36页 |
| ·典型故障源 | 第36-40页 |
| ·转子不平衡 | 第36-37页 |
| ·动静部件碰磨 | 第37-38页 |
| ·转子不对中 | 第38页 |
| ·油膜振荡 | 第38-40页 |
| ·蒸汽振荡 | 第40页 |
| ·汽轮机工作特性对机组振动的影响 | 第40-42页 |
| ·机组结构对于振动的影响 | 第40-41页 |
| ·机组运行参数对于振动的影响 | 第41页 |
| ·机组变工况运行对于振动的影响 | 第41-42页 |
| ·振动标准 | 第42-44页 |
| ·振动测量与信号分析技术 | 第44-47页 |
| ·振动测量 | 第44页 |
| ·汽轮机振动监测系统 | 第44-45页 |
| ·振动信号分析技术 | 第45-47页 |
| ·时间域分析 | 第45-46页 |
| ·频率域分析 | 第46页 |
| ·分析结果显示技术 | 第46-47页 |
| ·研究对象描述 | 第47-53页 |
| ·850MW亚临界汽轮机组 | 第47-50页 |
| ·1430MW核电机组 | 第50-51页 |
| ·国产600MW超临界机组 | 第51-53页 |
| 第三章 独立分量分析基本理论及基本ICA的应用 | 第53-84页 |
| ·概述 | 第53-54页 |
| ·相关数学基础 | 第54-61页 |
| ·概率与统计特征 | 第54-59页 |
| ·连续随机变量的主要关系 | 第54-57页 |
| ·随机向量 | 第57页 |
| ·相关性与白化 | 第57-58页 |
| ·统计独立性 | 第58-59页 |
| ·信息论的基础知识 | 第59-61页 |
| ·熵(Entropy) | 第59-60页 |
| ·Kullback-Leibler散度和互信息 | 第60-61页 |
| ·负熵 | 第61页 |
| ·独立分量分析基本理论 | 第61-75页 |
| ·独立分量分析模型 | 第61-63页 |
| ·基本ICA模型 | 第61-62页 |
| ·基本ICA的假设条件及不确定因素 | 第62-63页 |
| ·基本ICA估计方法 | 第63-67页 |
| ·非高斯性极大化方法 | 第63-65页 |
| ·极大似然估计方法和信息极大化方法 | 第65-66页 |
| ·互信息极小化方法 | 第66-67页 |
| ·非线性不相关方法 | 第67页 |
| ·独立分量分析算法 | 第67-74页 |
| ·数据的白化预处理 | 第68-69页 |
| ·FastICA算法 | 第69-71页 |
| ·Infomax算法 | 第71-74页 |
| ·扩展ICA模型 | 第74-75页 |
| ·带噪声的ICA模型 | 第74页 |
| ·非线性ICA模型 | 第74-75页 |
| ·基本ICA模型的应用实例 | 第75-83页 |
| ·不同通道及不同振动信号类型的ICA分离 | 第75-81页 |
| ·不稳定振动源分离 | 第81页 |
| ·机组T1的基本ICA振动信号分离结果小结 | 第81-83页 |
| ·本章小结 | 第83-84页 |
| 第四章 附加虚拟通道ICA及其应用 | 第84-94页 |
| ·超完备基ICA问题概述 | 第84页 |
| ·附加虚拟通道ICA | 第84-88页 |
| ·基本方法 | 第85-86页 |
| ·评价分离效果的相关系数 | 第86页 |
| ·仿真验证 | 第86-88页 |
| ·实际应用 | 第88-92页 |
| ·相同时刻虚拟通道ICA | 第89-91页 |
| ·延时时刻虚拟通道ICA | 第91-92页 |
| ·本章小结 | 第92-94页 |
| 第五章 基于傅立叶变换法的卷积性混合盲分离及其应用 | 第94-103页 |
| ·引言 | 第94页 |
| ·盲去卷积与卷积性混合盲分离基本方法 | 第94-97页 |
| ·盲去卷积 | 第94-96页 |
| ·基本模型 | 第94-95页 |
| ·主要算法 | 第95-96页 |
| ·卷积性混合的盲分离 | 第96-97页 |
| ·基本模型 | 第96页 |
| ·转化为线性ICA的计算方法 | 第96-97页 |
| ·基于傅立叶变换法的卷积性混合盲分离 | 第97-98页 |
| ·分离模型 | 第97页 |
| ·实现步骤 | 第97-98页 |
| ·频域ICA分析实例 | 第98-99页 |
| ·本章小结 | 第99-103页 |
| 第六章 基于高阶统计分析的汽轮机故障特征提取 | 第103-117页 |
| ·引言 | 第103页 |
| ·高阶统计分析 | 第103-111页 |
| ·基本概念 | 第103-107页 |
| ·随机变量的矩和累积量 | 第103-104页 |
| ·平稳随机信号的矩和累积量 | 第104-105页 |
| ·高阶矩和高阶累积量的性质 | 第105-106页 |
| ·高斯信号的高阶矩和高阶累积量 | 第106-107页 |
| ·高阶谱 | 第107-108页 |
| ·高阶谱定义 | 第107页 |
| ·双谱性质 | 第107-108页 |
| ·双谱估计方法 | 第108-109页 |
| ·直接法 | 第108页 |
| ·间接法 | 第108-109页 |
| ·二次相位耦合 | 第109页 |
| ·K阶相干函数与双相干谱 | 第109-110页 |
| ·切片概念—1(1/2)维谱估计 | 第110-111页 |
| ·切片定义 | 第110页 |
| ·1(1/2)维谱 | 第110-111页 |
| ·其它常用切片 | 第111页 |
| ·汽轮机振动信号的高阶统计特性分析 | 第111-116页 |
| ·双谱分析 | 第112页 |
| ·双相干谱分析 | 第112-113页 |
| ·1(1/2)维谱分析 | 第113-115页 |
| ·故障特征提取 | 第115-116页 |
| ·本章小结 | 第116-117页 |
| 第七章 汽轮机智能在线振动监测保护和故障诊断系统 | 第117-141页 |
| ·概述 | 第117页 |
| ·智能在线振动监测保护系统的设计 | 第117-125页 |
| ·系统的设计思想 | 第117-118页 |
| ·提高系统可靠性的措施 | 第118-119页 |
| ·系统硬件设计 | 第119-122页 |
| ·系统的主要功能和技术指标 | 第122-125页 |
| ·系统的主要功能 | 第122-123页 |
| ·系统的主要技术指标 | 第123-125页 |
| ·智能故障诊断系统的设计 | 第125-140页 |
| ·智能故障诊断系统的设计思想 | 第125-126页 |
| ·智能故障诊断系统的设计方法 | 第126-127页 |
| ·智能故障诊断系统的结构 | 第127-128页 |
| ·智能故障诊断系统的知识库设计 | 第128-131页 |
| ·故障诊断的知识获取和表示 | 第128-129页 |
| ·诊断知识库的设计 | 第129-131页 |
| ·智能故障诊断系统的征兆获取 | 第131-133页 |
| ·故障征兆的类型 | 第131-132页 |
| ·征兆获取的原则 | 第132页 |
| ·征兆获取的方法 | 第132-133页 |
| ·智能故障诊断系统的主要功能 | 第133-137页 |
| ·智能故障诊断系统的主要特点 | 第137-138页 |
| ·远程WEB智能故障诊断系统 | 第138-140页 |
| ·本章小结 | 第140-141页 |
| 第八章 结论与展望 | 第141-143页 |
| ·结论 | 第141-142页 |
| ·展望 | 第142-143页 |
| 参考文献 | 第143-151页 |
| 致谢 | 第151-152页 |
| 攻读博士学位期间发表的学术论文 | 第152-153页 |
| 攻读博士学位期间参加的科研工作和申请专利 | 第153页 |
| 一、科研工作 | 第153页 |
| 二、申请专利 | 第153页 |