| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 健康监测方法概述 | 第11-12页 |
| 1.3 涡轮机健康监测技术的发展历程 | 第12-16页 |
| 1.4 论文组织结构和章节安排 | 第16-17页 |
| 第2章 健康监测模型基本原理 | 第17-36页 |
| 2.1 健康监测模型的基本组成 | 第17-19页 |
| 2.2 分析信号与提取特征 | 第19-28页 |
| 2.2.1 时域方法的特征提取方法理论 | 第19-20页 |
| 2.2.2 小波包分解的能量特征提取方法理论 | 第20-24页 |
| 2.2.3 希尔伯特-黄变换的特征提取方法理论 | 第24-28页 |
| 2.3 特征选择和压缩 | 第28-31页 |
| 2.3.1 MIV算法理论 | 第28-29页 |
| 2.3.2 遗传算法建模自变量降维 | 第29-31页 |
| 2.4 监测模型的设计 | 第31-35页 |
| 2.4.1 神经网络模型算法理论 | 第32-34页 |
| 2.4.2 神经网络模型优化理论 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 涡轮叶片特征提取方法研究 | 第36-51页 |
| 3.1 涡轮叶片特征提取方法概述 | 第36页 |
| 3.2 基于时域的涡轮叶片特征提取方法 | 第36-41页 |
| 3.2.1 幅值域特征提取结果 | 第36-39页 |
| 3.2.2 无量纲指标特征提取结果 | 第39-41页 |
| 3.2.3 涡轮叶片时域特征分析 | 第41页 |
| 3.3 基于小波包分解能量的涡轮叶片特征提取方法 | 第41-45页 |
| 3.3.1 小波包分解的能量特征提取结果分析 | 第41-45页 |
| 3.3.2 分解层数和小波函数对监测模型的影响 | 第45页 |
| 3.4 基于希尔伯特-黄变换的涡轮叶片特征提取方法 | 第45-50页 |
| 3.4.1 希尔伯特-黄变换方法的特点 | 第45-46页 |
| 3.4.2 小波分析和希尔伯特-黄变换的特征提取方法 | 第46-47页 |
| 3.4.3 小波分析和希尔伯特-黄变换的特征提取结果分析 | 第47-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 涡轮叶片监测模型的选择与评价 | 第51-62页 |
| 4.1 监测模型的概述 | 第51-54页 |
| 4.1.1 前向型神经网络 | 第52页 |
| 4.1.2 反馈型神经网络 | 第52页 |
| 4.1.3 两种类型各自典型网络的比较 | 第52-53页 |
| 4.1.4 Elman神经网络的改进 | 第53-54页 |
| 4.2 涡轮叶片监测模型性能的评价准则 | 第54-58页 |
| 4.2.1 专家评分法概述 | 第54-55页 |
| 4.2.2 调查问卷设计 | 第55-56页 |
| 4.2.3 专家评分结果 | 第56-58页 |
| 4.3 涡轮叶片监测结果分析与比较 | 第58-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第5章 基于混合模型的涡轮叶片监测研究 | 第62-74页 |
| 5.1 涡轮叶片的自变量降维模型 | 第62-66页 |
| 5.1.1 基于MIV算法的自变量筛选结果 | 第62-63页 |
| 5.1.2 基于遗传算法的自变量降维结果 | 第63页 |
| 5.1.3 基于自变量降维模型的监测结果与分析 | 第63-66页 |
| 5.2 涡轮叶片监测模型的优化 | 第66-72页 |
| 5.2.1 粒子群自适应变异 | 第66-67页 |
| 5.2.2 基于混合模型的涡轮叶片监测结果与分析 | 第67-72页 |
| 5.3 几种监测模型的比较 | 第72-73页 |
| 5.4 本章小结 | 第73-74页 |
| 结论 | 第74-76页 |
| 参考文献 | 第76-81页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第81-82页 |
| 致谢 | 第82页 |
