大型火电机组通流特性分析及诊断方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题背景及其意义 | 第9-10页 |
| 1.2 国内外研究现状及发展动态 | 第10-12页 |
| 1.2.1 通流故障诊断的热力判据 | 第10页 |
| 1.2.2 机组通流特性计算方法的研究 | 第10-11页 |
| 1.2.3 智能故障诊断方法研究现状 | 第11-12页 |
| 1.3 课题主要研究内容 | 第12-13页 |
| 第2章 机组通流特性分析 | 第13-19页 |
| 2.1 汽水分布矩阵方程 | 第13-16页 |
| 2.2 弗留格尔公式及其改进 | 第16-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第3章 特征通流面积在故障诊断中的应用 | 第19-38页 |
| 3.1 特征通流面积的导出 | 第19-20页 |
| 3.2 特征通流面积定量计算与偏差分析 | 第20-24页 |
| 3.2.1 两种典型的特征通流面积定量计算 | 第20-22页 |
| 3.2.2 两种典型的特征通流面积偏差分析 | 第22-24页 |
| 3.3 基于特征通流面积的实际案例分析 | 第24-31页 |
| 3.3.1 实际案例数据分析 | 第25-30页 |
| 3.3.2 特征通流面积的实时动态监测 | 第30-31页 |
| 3.4 级组劣化趋势分析 | 第31-36页 |
| 3.4.1 经验模态分解 | 第31-32页 |
| 3.4.2 经验模态分解过程 | 第32-33页 |
| 3.4.3 基于EMD法的劣化趋势分析 | 第33-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第4章 神经网络在故障诊断中的应用 | 第38-49页 |
| 4.1 两种神经网络简介 | 第38-41页 |
| 4.1.1 SOM网络生物基础与拓扑结构 | 第38-39页 |
| 4.1.2 自组织特征映射学习算法 | 第39-41页 |
| 4.2 汽轮机通流部分故障及样本的建立 | 第41-42页 |
| 4.2.1 通流故障模式分类 | 第41页 |
| 4.2.2 故障样本的选取与建立 | 第41-42页 |
| 4.3 验证实例 | 第42-48页 |
| 4.3.1 ANFIS神经网络训练结果 | 第43-44页 |
| 4.3.2 SOM神经网络训练结果 | 第44-45页 |
| 4.3.3 SOM-ANFIS网络训练结果 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 故障诊断基准值研究 | 第49-60页 |
| 5.1 模糊理论、信息熵与主元分析简介 | 第49-52页 |
| 5.1.1 模糊理论简介 | 第49-50页 |
| 5.1.2 信息熵简介 | 第50-51页 |
| 5.1.3 主元分析简介 | 第51-52页 |
| 5.2 验证实例 | 第52-59页 |
| 5.2.1 热力参数的选取 | 第52页 |
| 5.2.2 隶属度函数的建立和选取 | 第52-54页 |
| 5.2.3 信息熵求解综合评判值 | 第54-55页 |
| 5.2.4 主元分析求解综合评判值 | 第55-56页 |
| 5.2.5 两种方法对比分析 | 第56-59页 |
| 5.3 本章小结 | 第59-60页 |
| 第6章 结论与展望 | 第60-62页 |
| 6.1 结论 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间发表的学术论文及其它成果 | 第65-66页 |
| 致谢 | 第66页 |
