| 中文摘要 | 第1页 |
| 英文摘要 | 第3-6页 |
| 第一章 绪论 | 第6-15页 |
| ·电厂故障诊断的研究背景和意义 | 第6页 |
| ·故障诊断技术的发展与现状 | 第6-8页 |
| ·故障诊断过程 | 第8-10页 |
| ·电厂设备的故障诊断方法研究现状 | 第10-14页 |
| ·神经网络技术的应用 | 第10-11页 |
| ·模糊诊断方法的应用 | 第11-12页 |
| ·专家系统诊断方法的应用 | 第12-13页 |
| ·遗传算法的应用 | 第13-14页 |
| ·本论文的主要工作 | 第14-15页 |
| 第二章 基于概率神经网络的故障诊断 | 第15-27页 |
| ·引言 | 第15页 |
| ·PNN模型理论和方法 | 第15-21页 |
| ·Bayes分类规则 | 第15-17页 |
| ·Parzen窗方法 | 第17-19页 |
| ·PNN模型 | 第19-21页 |
| ·基于PNN的故障诊断过程 | 第21页 |
| ·PNN的优越性 | 第21-22页 |
| ·基于PNN的汽轮机转子轴承系统故障诊断实例 | 第22-24页 |
| ·汽轮机故障特征数据 | 第23页 |
| ·故障诊断实例 | 第23-24页 |
| ·基于PNN的汽轮发电机组凝汽器系统故障诊断实例 | 第24-26页 |
| ·凝汽器故障特征数据 | 第24-25页 |
| ·故障诊断实例 | 第25-26页 |
| ·小结 | 第26-27页 |
| 第三章 基于非线性主元分析网络的特征提取 | 第27-39页 |
| ·引言 | 第27页 |
| ·特征提取过程及意义 | 第27-29页 |
| ·主元分析（PCA）方法 | 第29-30页 |
| ·非线性主元分析（NLPCA）网络方法 | 第30-35页 |
| ·基于NLPCA网络的特征提取原理 | 第30-32页 |
| ·NLPCA网络学习算法 | 第32-35页 |
| ·基于NLPCA网络的特征提取步骤 | 第35页 |
| ·非线性主元分析（NLPCA）特征提取实例 | 第35-38页 |
| ·小结 | 第38-39页 |
| 第四章 基于NLPCA网络和PNN的故障诊断在电厂中的应用 | 第39-46页 |
| ·引言 | 第39页 |
| ·发电设备（系统）的层次划分 | 第39-40页 |
| ·故障诊断过程 | 第40页 |
| ·汽轮发电机组凝汽器故障诊断实例 | 第40-44页 |
| ·凝汽器故障特征数据 | 第40-42页 |
| ·凝汽器故障诊断过程 | 第42-43页 |
| ·基于NLPCA网络的特征提取步骤 | 第43-44页 |
| ·小结 | 第44-46页 |
| 第四章 结论与展望 | 第46-49页 |
| ·全文总结 | 第46-47页 |
| ·研究展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 致谢 | 第53页 |