基于流形学习的汽轮机振动故障诊断技术和监测系统研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 汽轮机组振动监测与故障诊断技术的发展现状 | 第10-13页 |
| 1.2.1 状态监测与故障诊断技术的发展 | 第10-11页 |
| 1.2.2 流形学习的发展和应用现状 | 第11-12页 |
| 1.2.3 故障诊断方法的发展 | 第12-13页 |
| 1.3 论文研究内容 | 第13-15页 |
| 第2章 基于流形学习的汽轮机振动特征提取 | 第15-31页 |
| 2.1 典型的流形学习算法 | 第16-20页 |
| 2.1.1 拉普拉斯特征映射算法 | 第16-17页 |
| 2.1.2 等距映射算法 | 第17-18页 |
| 2.1.3 局部线性嵌入算法 | 第18-20页 |
| 2.2 机组轴系振动及其故障特征提取 | 第20-30页 |
| 2.2.1 汽轮机的典型故障 | 第21-23页 |
| 2.2.2 机组典型故障的振动参数提取 | 第23-29页 |
| 2.2.3 最佳近邻数确定 | 第29-30页 |
| 2.3 小结 | 第30-31页 |
| 第3章 汽轮机的故障诊断与分析 | 第31-39页 |
| 3.1 机器学习模型 | 第31-32页 |
| 3.2 支持向量机分类原理 | 第32-37页 |
| 3.2.1 线性可分支持向量机 | 第32-34页 |
| 3.2.2 线性不可分支持向量机 | 第34-35页 |
| 3.2.3 支持向量机的核函数 | 第35-37页 |
| 3.3 小波包分解在提取汽轮机故障信号的应用 | 第37-38页 |
| 3.4 诊断过程及结果的比较分析 | 第38页 |
| 3.5 小结 | 第38-39页 |
| 第4章 汽轮机组状态监测系统开发 | 第39-50页 |
| 4.1 监测系统的开发工具 | 第39-41页 |
| 4.1.1 虚拟仪器技术 | 第39-40页 |
| 4.1.2 LabVIEW简介 | 第40-41页 |
| 4.2 监测系统组成 | 第41-43页 |
| 4.2.1 系统硬件的组成和总体结构 | 第41-43页 |
| 4.2.2 系统软件的总体设计步骤和结构 | 第43页 |
| 4.3 监测系统软件的功能 | 第43-48页 |
| 4.3.1 系统登录 | 第43-44页 |
| 4.3.2 参数设置 | 第44-45页 |
| 4.3.3 信号分析 | 第45-47页 |
| 4.3.4 数据操作 | 第47-48页 |
| 4.4 监测系统软件的运行结果 | 第48-49页 |
| 4.5 小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第55-56页 |
| 致谢 | 第56页 |
