| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题研究的背景及意义 | 第8页 |
| 1.2 故障诊断的发展与概况 | 第8-11页 |
| 1.2.1 故障诊断理论 | 第8-9页 |
| 1.2.2 故障诊断的国内外发展现状 | 第9-10页 |
| 1.2.3 故障诊断方法的分类 | 第10-11页 |
| 1.3 国内外燃气调压器故障诊断的现状与存在问题 | 第11-13页 |
| 1.3.1 国内外研究现状 | 第11-13页 |
| 1.3.2 存在的问题 | 第13页 |
| 1.4 论文的结构 | 第13-15页 |
| 第2章 燃气调压器故障诊断系统及故障特征表现 | 第15-26页 |
| 2.1 燃气调压器的工艺流程 | 第15-17页 |
| 2.2 燃气调压器的主要类型及工作原理 | 第17-19页 |
| 2.3 燃气调压器常见的故障和应对措施 | 第19-20页 |
| 2.4 燃气调压器的故障特征表现 | 第20-24页 |
| 2.4.1 喘振故障 | 第21-22页 |
| 2.4.2 关闭压力高 | 第22-23页 |
| 2.4.3 用气高峰时出口压力低 | 第23-24页 |
| 2.4.4 正常运行状态 | 第24页 |
| 2.5 燃气集团SCADA数据采集系统 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 基于RBF神经网络的燃气调压器故障诊断算法研究 | 第26-42页 |
| 3.1 神经网络简介 | 第26-28页 |
| 3.2 RBF神经网络的故障诊断方法 | 第28-32页 |
| 3.2.1 RBF神经网络的创建 | 第29-31页 |
| 3.2.2 RBF神经网络训练的流程 | 第31-32页 |
| 3.3 基于RBF神经网络的燃气调压器故障诊断案例 | 第32-35页 |
| 3.4 基于主成分分析方法（PCA）故障特征数据处理 | 第35-38页 |
| 3.4.1 PCA的基本思想 | 第35-36页 |
| 3.4.2 主成分分析法（PCA）算法的实现步骤 | 第36-37页 |
| 3.4.3 对燃气调压器故障特征数据进行主成分分析 | 第37-38页 |
| 3.5 基于PCA-RBF神经网络的燃气调压器故障诊断 | 第38-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 基于压缩感知理论的燃气调压器故障诊断算法研究 | 第42-51页 |
| 4.1 压缩感知基本理论 | 第42-45页 |
| 4.1.1 信号的稀疏表示 | 第42-43页 |
| 4.1.2 信号的重构 | 第43-45页 |
| 4.2 基于压缩感知理论故障诊断方法 | 第45-47页 |
| 4.2.1 建立完备训练样本 | 第46页 |
| 4.2.2 待测样本的稀疏分解 | 第46页 |
| 4.2.3 待测样本的归类 | 第46-47页 |
| 4.3 稀疏表示分类算法的燃气调压器故障诊断 | 第47-50页 |
| 4.3.1 诊断方案的设计 | 第47-48页 |
| 4.3.2 诊断结果与分析 | 第48-49页 |
| 4.3.3 稀疏表示分类与PCA-RBF对故障诊断准确性的对比研究 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 基于MATLAB-GUI的燃气调压器故障诊断系统实现 | 第51-58页 |
| 5.1 故障诊断系统总体设计 | 第51页 |
| 5.2 故障诊断系统软件的实现 | 第51-56页 |
| 5.2.1 软件概述 | 第51页 |
| 5.2.2 诊断界面的开发 | 第51-56页 |
| 5.3 诊断系统测试结果及分析 | 第56-57页 |
| 5.3.1 基于RBF神经网络算法的诊断结果分析 | 第56页 |
| 5.3.2 基于压缩感知理论算法的诊断结果分析 | 第56-57页 |
| 5.3.3 诊断结果对比分析 | 第57页 |
| 5.4 本章小结 | 第57-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 研究生阶段论文发表情况 | 第66-68页 |
| 附录 | 第68-70页 |
