| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-11页 |
| 1 绪论 | 第11-27页 |
| 1．1 研究汽轮发电机组振动故障诊断技术的意义 | 第11-12页 |
| 1．2 汽轮发电机组振动分类及常见故障分析 | 第12-18页 |
| 1．2．1 汽轮发电机组振动分类 | 第12-13页 |
| 1．2．2 汽轮发电机组常见的机械振动故障 | 第13-15页 |
| 1．2．3 汽轮发电机组常见的电磁振动故障 | 第15-17页 |
| 1．2．4 汽轮发电机组振动故障的特点 | 第17-18页 |
| 1．3 汽轮发电机组振动故障诊断研究的现状 | 第18-22页 |
| 1．3．1 目前主要研究的振动故障形式 | 第18页 |
| 1．3．2 汽轮发电机组振动故障诊断的关键技术 | 第18-19页 |
| 1．3．3 汽轮发电机组振动故障诊断的信号处理方法 | 第19-21页 |
| 1．3．4 汽轮发电机组振动故障诊断的现有方法 | 第21-22页 |
| 1．4 汽轮发电机组振动故障诊断方法研究的发展趋势 | 第22-25页 |
| 1．4．1 模糊理论的应用 | 第22-23页 |
| 1．4．2 专家系统的应用 | 第23-24页 |
| 1．4．3 神经网络技术的应用 | 第24页 |
| 1．4．4 遗传算法的应用 | 第24-25页 |
| 1．4．5 概率因果模型的应用 | 第25页 |
| 1．5 本文研究的主要工作 | 第25-26页 |
| 1．6 小结 | 第26-27页 |
| 2 汽轮发电机组振动多故障的模糊诊断模型及方法研究 | 第27-46页 |
| 2．1 引言 | 第27页 |
| 2．2 模糊集的基本理论 | 第27-30页 |
| 2．2．1 模糊集合的定义 | 第27-28页 |
| 2．2．2 模糊关系 | 第28页 |
| 2．2．3 模糊映射与模糊变换 | 第28-29页 |
| 2．2．4 模糊性度量原则 | 第29-30页 |
| 2．3 模糊隶属函数的确定方法 | 第30-32页 |
| 2．3．1 Delphi法 | 第31页 |
| 2．3．2 模糊统计法 | 第31-32页 |
| 2．3．3 二元对比排序法 | 第32页 |
| 2．4 多故障分层模糊诊断模型及方法研究 | 第32-39页 |
| 2．4．1 模糊综合评判方法及其缺点 | 第33-35页 |
| 2．4．2 分层模糊诊断模型及方法 | 第35-37页 |
| 2．4．3 诊断实例 | 第37-39页 |
| 2．5 模糊聚类分析诊断的原理及方法研究 | 第39-45页 |
| 2．5．1 模糊聚类分析的原理 | 第39-41页 |
| 2．5．2 基于模糊等价关系的模糊聚类分析诊断方法 | 第41-42页 |
| 2．5．3 诊断实例 | 第42-45页 |
| 2．6 小结 | 第45-46页 |
| 3 汽轮发电机组振动多故障诊断的概率因果模型及方法研究 | 第46-63页 |
| 3．1 引言 | 第46页 |
| 3．2 概率因果模型 | 第46-54页 |
| 3．2．1 基于概率知识的诊断 | 第46-47页 |
| 3．2．2 节约覆盖集理论 | 第47-48页 |
| 3．2．3 概率因果模型的基本理论 | 第48-52页 |
| 3．2．4 概率因果模型与节约覆盖集之间的关系 | 第52-54页 |
| 3．3 基于概率因果的联接模型 | 第54-59页 |
| 3．3．1 联接模型的构造 | 第55-56页 |
| 3．3．2 节点激活程度的更新公式 | 第56-58页 |
| 3．3．3 基于概率因果的联接模型的几点讨论 | 第58-59页 |
| 3．4 汽轮发电机组振动多故障的概率因果诊断方法 | 第59-62页 |
| 3．4．1 征兆出现的评价标准 | 第59页 |
| 3．4．2 基于概率因果模型的汽轮发电机组多故障诊断模型 | 第59-60页 |
| 3．4．3 诊断方法 | 第60-61页 |
| 3．4．4 诊断实例 | 第61-62页 |
| 3．5 小结 | 第62-63页 |
| 4 汽轮发电机组振动多故障诊断的神经网络方法研究 | 第63-81页 |
| 4．1 引言 | 第63页 |
| 4．2 神经网络模型简述 | 第63-68页 |
| 4．2．1 神经网络的基本理论 | 第64页 |
| 4．2．2 BP网络模型及其算法 | 第64-67页 |
| 4．2．3 模糊神经网络 | 第67-68页 |
| 4．3 BP神经网络对多故障诊断能力的分析 | 第68-70页 |
| 4．4 一种适用于多故障诊断的改进BP神经网络方法 | 第70-72页 |
| 4．5 多故障诊断的两级神经网络模型及方法 | 第72-75页 |
| 4．5．1 两级神经网络诊断模型 | 第72-74页 |
| 4．5．2 诊断实例 | 第74-75页 |
| 4．6 多故障诊断的自组织特征映射神经网络方法研究 | 第75-80页 |
| 4．6．1 自组织特征映射神经网络诊断模型 | 第75-77页 |
| 4．6．2 自组织特征映射神经网络与模糊聚类相结合的多故障诊断方法 | 第77-78页 |
| 4．6．3 诊断实例 | 第78-80页 |
| 4．7 小结 | 第80-81页 |
| 5 汽轮发电机组振动多故障诊断的遗传算法研究 | 第81-98页 |
| 5．1 引言 | 第81页 |
| 5．2 遗传算法的原理及方法 | 第81-89页 |
| 5．2．1 遗传算法的基本步骤 | 第81-84页 |
| 5．2．2 遗传算法参数的选择 | 第84-87页 |
| 5．2．3 遗传算法的特点 | 第87-89页 |
| 5．3 遗传算法与模糊c-划分结合的诊断方法研究 | 第89-92页 |
| 5．3．1 模糊c-划分 | 第89-90页 |
| 5．3．2 遗传算法与模糊c-划分结合的基本原理 | 第90-91页 |
| 5．3．3 诊断实例 | 第91-92页 |
| 5．4 遗传算法与概率因果模型结合的诊断方法研究 | 第92-94页 |
| 5．4．1 基本原理 | 第92-93页 |
| 5．4．2 诊断实例 | 第93-94页 |
| 5．5 遗传算法与神经网络结合的诊断方法研究 | 第94-96页 |
| 5．5．1 基本原理 | 第94-96页 |
| 5．5．2 诊断实例 | 第96页 |
| 5．6 小结 | 第96-98页 |
| 6 结论与展望 | 第98-101页 |
| 6．1 主要结论 | 第98-99页 |
| 6．2 后续研究工作的展望 | 第99-101页 |
| 致谢 | 第101-102页 |
| 参考文献 | 第102-109页 |
| 附录 | 第109-113页 |
| A： 作者在攻读博士学位期间发表的论文 | 第109-110页 |
| B： 两级神经网络模型的训练数据 | 第110-113页 |
