| 摘要 | 第1-6页 |
| ABSTRACT | 第6-14页 |
| 第一章 绪论 | 第14-28页 |
| ·课题来源及研究的目的和意义 | 第14-15页 |
| ·课题来源 | 第14页 |
| ·研究的目的和意义 | 第14-15页 |
| ·故障诊断技术理论、现状及其趋势 | 第15-17页 |
| ·故障诊断技术理论 | 第15页 |
| ·故障诊断的现状 | 第15-16页 |
| ·发展趋势 | 第16-17页 |
| ·模糊神经网络故障诊断技术 | 第17-19页 |
| ·模糊理论及神经网络发展历程 | 第17-18页 |
| ·模糊神经网络的研究历程 | 第18页 |
| ·模糊神经网络的国内外发展现状 | 第18-19页 |
| ·支持向量机故障诊断技术 | 第19-22页 |
| ·支持向量机理论研究 | 第19-20页 |
| ·支持向量机训练算法 | 第20-21页 |
| ·SVM中需要研究的问题 | 第21-22页 |
| ·风机故障诊断技术及发展 | 第22-23页 |
| ·水泵故障诊断技术及发展 | 第23-25页 |
| ·本文研究的主要内容 | 第25-28页 |
| 第二章 供热锅炉房动力装置常见故障分析 | 第28-34页 |
| ·风机和水泵的分类及工作原理 | 第28-29页 |
| ·风机和水泵的分类 | 第28页 |
| ·常见的风机与水泵 | 第28-29页 |
| ·风机与水泵的基本性能参数 | 第29-30页 |
| ·供热锅炉常见故障分析 | 第30-31页 |
| ·故障的多样性 | 第30页 |
| ·故障频率的不均衡性 | 第30页 |
| ·振动的破坏性 | 第30-31页 |
| ·供热锅炉房动力装置风机和水泵的故障分析 | 第31-32页 |
| ·由于流体流动而引起的振动 | 第31页 |
| ·由于机械原因而引起的振动 | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 第三章 供热锅炉房动力装置智能故障诊断在城镇供热GIS平台的实现 | 第34-46页 |
| ·GIS用于供热锅炉房动力装置智能故障诊断 | 第34-36页 |
| ·GIS简介及功能 | 第34-35页 |
| ·基于GIS的供热锅炉房动力装置故障诊断系统的开发工具选择 | 第35-36页 |
| ·基于GIS的供热锅炉房动力装置故障的数据库设计 | 第36页 |
| ·系统的核心设计 | 第36-37页 |
| ·系统的整体设计方案 | 第37-38页 |
| ·监测对象的分析 | 第37页 |
| ·系统整体设计 | 第37-38页 |
| ·监测诊断系统的设计开发 | 第38-44页 |
| ·系统开发的思路 | 第38页 |
| ·用户登录 | 第38页 |
| ·数据显示模块 | 第38-39页 |
| ·数据库的查询、添加、修改和删除 | 第39页 |
| ·信号处理 | 第39-43页 |
| ·基于模糊神经网络和支持向量机及其改进算法的风机和水泵故障诊断 | 第43页 |
| ·配置硬件地址和通信协议 | 第43页 |
| ·在地图上显示设备的位置分布 | 第43-44页 |
| ·历史数据回放及自动控制 | 第44页 |
| ·本章小结 | 第44-46页 |
| 第四章 基于模糊神经网络的供热锅炉房动力装置故障诊断研究 | 第46-62页 |
| ·模糊理论 | 第46-47页 |
| ·模糊规则 | 第46页 |
| ·模糊逻辑系统 | 第46-47页 |
| ·神经网络 | 第47-48页 |
| ·神经网络基本理论 | 第47页 |
| ·神经网络按结构分类 | 第47-48页 |
| ·模糊神经网络理论 | 第48-52页 |
| ·模糊系统和神经网络融合 | 第48-49页 |
| ·模糊神经网络按结构分类 | 第49-52页 |
| ·基于模糊神经网络的供热锅炉房动力装置故障诊断模型设计 | 第52-57页 |
| ·一级多输入单输出的自适应模糊神经网络的结构 | 第53-54页 |
| ·一级多输入单输出的自适应模糊神经网络的学习算法 | 第54页 |
| ·二级多输入多输出的模糊神经网络的学习算法 | 第54-55页 |
| ·一级ANFIS系统故障诊断模型 | 第55页 |
| ·二级模糊神经网络故障原因诊断模型 | 第55-57页 |
| ·风机故障诊断实例 | 第57-60页 |
| ·一级ANFIS系统故障诊断结果 | 第57-59页 |
| ·二级模糊神经网络故障原因诊断结果 | 第59-60页 |
| ·结论 | 第60页 |
| ·本章小结 | 第60-62页 |
| 第五章 基于参数优化支持向量机的供热锅炉房动力装置故障诊断研究 | 第62-80页 |
| ·支持向量机理论和思想 | 第62-65页 |
| ·线性分类问题 | 第62-64页 |
| ·近似线性分类问题 | 第64页 |
| ·非线性分类问题 | 第64-65页 |
| ·支持向量核函数的选择 | 第65页 |
| ·支持向量机的参数优化 | 第65-66页 |
| ·基于网格搜索算法的供热锅炉房动力装置故障诊断 | 第66-70页 |
| ·网格搜索法基本原理 | 第66-67页 |
| ·基于网格搜索算法故障诊断结果 | 第67-70页 |
| ·基于遗传算法的供热锅炉房动力装置故障诊断 | 第70-73页 |
| ·遗传算法基本原理 | 第70-71页 |
| ·基于遗传算法故障诊断结果 | 第71-73页 |
| ·基于粒子群算法的供热锅炉房动力装置故障诊断 | 第73-77页 |
| ·粒子群算法基本原理 | 第73-74页 |
| ·基于粒子群算法故障诊断结果 | 第74-77页 |
| ·基于三种参数优化SVM的供热锅炉房动力装置故障诊断模型结果对比 | 第77-78页 |
| ·本章小结 | 第78-80页 |
| 第六章 基于二叉树支持向量机算法的供热锅炉房动力装置故障诊断研究 | 第80-88页 |
| ·支持向量机的分类算法 | 第80-81页 |
| ·一对一的分类算法 | 第80页 |
| ·一对多分类算法 | 第80页 |
| ·DAG-SVM分类算法 | 第80-81页 |
| ·二叉树支持向量机分类算法 | 第81页 |
| ·二叉树支持向量机分类原理 | 第81-82页 |
| ·基于二叉树支持向量机的供热锅炉房动力装置故障诊断模型 | 第82-83页 |
| ·基于二叉树支持向量机的供热锅炉房动力装置故障诊断结果 | 第83-86页 |
| ·基于二叉树的遗传算法优化SVM的故障诊断结果 | 第83-84页 |
| ·基于二叉树的粒子群算法优化SVM的故障诊断结果 | 第84-85页 |
| ·基于二叉树的遗传算法与粒子群算法优化SVM故障诊断结果比较 | 第85-86页 |
| ·基于参数优化SVM与基于二叉树的参数优化SVM故障诊断结果比较 | 第86页 |
| ·基于二叉树的参数优化SVM与模糊神经网络故障诊断结果比较 | 第86-87页 |
| ·本章小结 | 第87-88页 |
| 第七章 结论与展望 | 第88-90页 |
| ·结论 | 第88-89页 |
| ·展望 | 第89-90页 |
| 参考文献 | 第90-96页 |
| 致谢 | 第96-98页 |
| 攻读学位期间发表的学术论文目录 | 第98页 |
