基于BP神经网络的汽轮机故障诊断系统研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题的提出及意义 | 第11-12页 |
| 1.2 国内外汽轮机故障诊断研究现状 | 第12-14页 |
| 1.2.1 国外汽轮机故障诊断研究现状 | 第13页 |
| 1.2.2 国内汽轮机故障诊断研究现状 | 第13-14页 |
| 1.2.3 汽轮机故障诊断技术的发展趋势 | 第14页 |
| 1.3 振动信号采集和处理技术的发展和研究现状 | 第14-15页 |
| 1.4 基于神经网络的故障诊断技术 | 第15-16页 |
| 1.5 论文的主要内容 | 第16-18页 |
| 第二章 汽轮机常见典型故障和分析方法 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 汽轮机常见故障 | 第18-25页 |
| 2.2.1 转子质量不平衡 | 第18-19页 |
| 2.2.2 转子不对中 | 第19-21页 |
| 2.2.3 动静碰磨 | 第21-23页 |
| 2.2.4 油膜涡动与油膜振荡 | 第23-25页 |
| 2.3 故障的基本分析方法 | 第25-27页 |
| 2.3.1 时域分析 | 第25-26页 |
| 2.3.2 频域分析 | 第26页 |
| 2.3.3 时频分析 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于小波分析的故障特征值的提取 | 第28-38页 |
| 3.1 引言 | 第28页 |
| 3.2 连续小波 | 第28-29页 |
| 3.3 离散小波 | 第29页 |
| 3.4 多分辨率分析和正交小波 | 第29-30页 |
| 3.5 小波包分解 | 第30-32页 |
| 3.6 基于小波分析的信号处理 | 第32-34页 |
| 3.6.1 小波去噪 | 第32-33页 |
| 3.6.2 小波包频带分析技术 | 第33-34页 |
| 3.7 小波包分解在故障特征值提取中的应用 | 第34-37页 |
| 3.8 本章小结 | 第37-38页 |
| 第四章 神经网络在汽轮机故障诊断中的应用 | 第38-54页 |
| 4.1 引言 | 第38页 |
| 4.2 神经网络概述 | 第38-40页 |
| 4.2.1 生物神经网络 | 第38-39页 |
| 4.2.2 人工神经网络 | 第39-40页 |
| 4.3 BP 神经网络 | 第40-43页 |
| 4.3.1 BP 神经网络模型 | 第40-41页 |
| 4.3.2 BP 学习算法 | 第41-43页 |
| 4.4 BP 神经网络的设计 | 第43-44页 |
| 4.4.1 输入层和输出层的设计 | 第43页 |
| 4.4.2 中间层的设计 | 第43-44页 |
| 4.4.3 初始值的选择 | 第44页 |
| 4.5 标准 BP 神经网络的局限性和改进 | 第44-46页 |
| 4.6 BP 神经网络改进算法的学习和训练 | 第46-53页 |
| 4.7 本章小结 | 第53-54页 |
| 第五章 汽轮机故障诊断系统设计和测试 | 第54-71页 |
| 5.1 引言 | 第54页 |
| 5.2 系统的总体结构 | 第54-55页 |
| 5.3 硬件系统设计 | 第55-60页 |
| 5.3.1 传感器系统 | 第56-57页 |
| 5.3.2 嵌入式工控机系统 | 第57-59页 |
| 5.3.3 动态数据采集卡系统 | 第59-60页 |
| 5.4 软件系统设计 | 第60-66页 |
| 5.4.1 软件功能介绍 | 第61页 |
| 5.4.2 用户权限登录模块 | 第61-62页 |
| 5.4.3 数据采集模块 | 第62-63页 |
| 5.4.4 数据库模块 | 第63-64页 |
| 5.4.5 数据分析模块 | 第64-65页 |
| 5.4.6 故障诊断模块 | 第65-66页 |
| 5.5 系统测试 | 第66-70页 |
| 5.6 本章小结 | 第70-71页 |
| 总结与展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间取得的研究成果 | 第77-78页 |
| 致谢 | 第78-79页 |
| 附件 | 第79页 |
