| 中文摘要 | 第1-3页 |
| ABSTRACT | 第3-6页 |
| 第一章 绪论 | 第6-15页 |
| ·研究背景 | 第6页 |
| ·故障诊断的研究现状与发展 | 第6-7页 |
| ·故障诊断在石化企业应用的重要性 | 第7-8页 |
| ·故障诊断在离心压缩机上的应用 | 第8-10页 |
| ·离心压缩机组K-201的概况 | 第10-13页 |
| ·K-201离心式压缩机的主要参数 | 第10-12页 |
| ·K-201系统测点的建立 | 第12页 |
| ·K-201出现故障原因统计 | 第12-13页 |
| ·论文内容与任务 | 第13-15页 |
| 第二章 机械振动信号的分析 | 第15-25页 |
| ·振动信号分类 | 第15-16页 |
| ·波形分析 | 第16-18页 |
| ·频谱分析 | 第18-19页 |
| ·常见故障频谱分析 | 第19-24页 |
| ·小结 | 第24-25页 |
| 第三章 故障状态监测系统 | 第25-33页 |
| ·故障状态监测系统的选用 | 第25页 |
| ·S8000在线状态监测系统 | 第25-31页 |
| ·S8000在线状态监测系统结构与功能 | 第26-27页 |
| ·S8000在线状态监测系统振动图谱 | 第27-31页 |
| ·常规图谱 | 第27-29页 |
| ·启停机图谱 | 第29-30页 |
| ·列表日记 | 第30-31页 |
| ·小结 | 第31-33页 |
| 第四章 贝叶斯诊断网络的建立 | 第33-50页 |
| ·建立贝叶斯诊断网络的主要构造 | 第33页 |
| ·人工神经网络的典型模型 | 第33-35页 |
| ·预报神经网络建立-改进共轭梯度训练算法 | 第35-40页 |
| ·BP算法 | 第35-38页 |
| ·BP算法的改进 | 第38页 |
| ·神经网络的改进共轭梯度算法计算 | 第38-40页 |
| ·贝叶斯诊断网络理论 | 第40-44页 |
| ·诊断网络基本原理 | 第40-41页 |
| ·条件独立性假设 | 第41-42页 |
| ·先验概率的确定 | 第42页 |
| ·贝叶斯决策方法 | 第42-43页 |
| ·贝叶斯故障诊断网络优势和基本特点 | 第43-44页 |
| ·贝叶斯故障诊断网络用于故障诊断的优势 | 第43页 |
| ·故障诊断网络的基本特点 | 第43-44页 |
| ·贝叶斯诊断网络建立 | 第44-49页 |
| ·贝叶斯故障诊断网络基本结构与框架 | 第44-45页 |
| ·贝叶斯故障诊断网络建立的方法 | 第45-46页 |
| ·模糊语言的量化方法 | 第46-47页 |
| ·贝叶斯故障诊断网络节点的建立 | 第47-49页 |
| ·小结 | 第49-50页 |
| 第五章 贝叶斯故障诊断软件组成及功能 | 第50-58页 |
| ·贝叶斯故障诊断软件组成 | 第50-52页 |
| ·机组信息管理的主要功能 | 第50-51页 |
| ·状态预测的主要功能 | 第51页 |
| ·模糊诊断的主要功能 | 第51-52页 |
| ·诊断风险评估的主要功能 | 第52页 |
| ·贝叶斯故障诊断网络系统 | 第52-53页 |
| ·贝叶斯故障诊断网络系统的总体框架 | 第52页 |
| ·贝叶斯故障诊断网络系统的操作界面 | 第52-53页 |
| ·贝叶斯故障诊断系统在K-201上的应用 | 第53-58页 |
| 第六章:结论 | 第58-59页 |
| 参考文献 | 第59-61页 |
| 发表论文与参加科研情况 | 第61-62页 |
| 致谢 | 第62-63页 |
| 附录1 节点和先验概率的确定 | 第63-68页 |
| 附录2 K-201其它通道预报趋势和实际趋势对照图 | 第68-76页 |