| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的目的及意义 | 第10页 |
| 1.2 燃汽轮机故障诊断技术国内外研究现状 | 第10-12页 |
| 1.2.1 国外燃机故障诊断技术研究现状 | 第10-11页 |
| 1.2.2 国内燃机故障诊断技术研究现状 | 第11-12页 |
| 1.3 故障诊断技术的发展前景 | 第12-14页 |
| 1.4 论文所完成工作以及结构 | 第14-16页 |
| 第2章 统计学习理论与相关向量机算法 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 机器学习的思想与统计学习理论 | 第16-20页 |
| 2.2.1 贝叶斯统计理论 | 第17-18页 |
| 2.2.2 机器学习的基本思想 | 第18-20页 |
| 2.3 相关向量机算法基本原理 | 第20-24页 |
| 2.3.1 相关向量机算法的产生 | 第20-21页 |
| 2.3.2 相关向量机的回归模型 | 第21-23页 |
| 2.3.3 相关向量机的分类模型 | 第23-24页 |
| 2.4 RVM算法中核函数的选择与优化 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 涡轮叶片的结构及温度分布特征 | 第26-40页 |
| 3.1 引言 | 第26页 |
| 3.2 涡轮叶片的结构 | 第26-28页 |
| 3.2.1 涡轮叶片的材料 | 第26-27页 |
| 3.2.2 涡轮叶片的冷却原理 | 第27页 |
| 3.2.3 涡轮叶片的失效分析 | 第27-28页 |
| 3.3 涡轮叶片的温度分析 | 第28-30页 |
| 3.3.1 涡轮叶片整体温度 | 第28-29页 |
| 3.3.2 不同工况下叶片的温度分布 | 第29-30页 |
| 3.4 燃机涡轮叶片的温度数据分割 | 第30-39页 |
| 3.4.1 数据的预处理 | 第30-32页 |
| 3.4.2 叶片温度数据分割的实现 | 第32-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 涡轮叶片温度信号分析与特征提取 | 第40-47页 |
| 4.1 引言 | 第40页 |
| 4.2 EMD方法介绍 | 第40-43页 |
| 4.2.1 固有模态函数 | 第40-41页 |
| 4.2.2 EMD的基本原理 | 第41-43页 |
| 4.2.3 EMD能量熵 | 第43页 |
| 4.3 叶片温度信号故障数据模拟以及特征提取 | 第43-45页 |
| 4.3.1 涡轮叶片故障数据的模拟 | 第43-45页 |
| 4.3.2 能量熵特征提取 | 第45页 |
| 4.4 本章小结 | 第45-47页 |
| 第5章 基于RVM算法的故障分类仿真 | 第47-55页 |
| 5.1 基于遗传算法优化相关向量机算法的故障分类系统模型 | 第47页 |
| 5.2 发动机故障诊断样本数据库 | 第47-49页 |
| 5.3 RVM分类器以及核函数的选择 | 第49页 |
| 5.4 利用遗传算法优化相关向量机参数 | 第49-50页 |
| 5.5 故障数据测试 | 第50-54页 |
| 5.6 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 攻读硕士学位期间发表的论文和取得的科研成果参考文献 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61页 |