| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 燃气轮机故障诊断技术 | 第10-13页 |
| 1.2.2 燃气轮机故障诊断系统 | 第13-14页 |
| 1.3 研究目标与内容 | 第14-15页 |
| 1.4 论文的结构与安排 | 第15-17页 |
| 第2章 燃气轮机工作原理及故障模式的研究 | 第17-27页 |
| 2.1 燃气轮机简介 | 第17-18页 |
| 2.2 燃气轮机工作原理 | 第18-19页 |
| 2.3 燃气轮机的典型故障 | 第19-21页 |
| 2.3.1 燃气轮机主要失效机理 | 第19-20页 |
| 2.3.2 燃气轮机主要部件故障类型及成因 | 第20-21页 |
| 2.4 燃气轮机叶片故障原因分析 | 第21-22页 |
| 2.4.1 涡轮叶片简介 | 第21-22页 |
| 2.4.2 涡轮叶片失效模式 | 第22页 |
| 2.5 燃气轮机涡轮叶片故障树分析模型 | 第22-26页 |
| 2.5.1 故障树分析法简介 | 第23-24页 |
| 2.5.2 涡轮叶片故障树模型 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于神经网络的燃气轮机故障诊断模型的建立 | 第27-57页 |
| 3.1 人工神经网络简介 | 第27-34页 |
| 3.1.1 神经网络的发展及应用 | 第27-28页 |
| 3.1.2 神经网络理论 | 第28-34页 |
| 3.2 BP神经网络 | 第34-38页 |
| 3.2.1 BP神经网络模型 | 第34-35页 |
| 3.2.2 BP网络学习算法 | 第35-38页 |
| 3.3 Elman神经网络 | 第38-42页 |
| 3.3.1 Elman网络结构 | 第38-39页 |
| 3.3.2 Elman网络学习过程 | 第39-40页 |
| 3.3.3 Elman网络学习算法 | 第40-42页 |
| 3.4 OHF Elman神经网络 | 第42-45页 |
| 3.4.1 OHF Elman网络结构及数学模型 | 第42-43页 |
| 3.4.2 OHF Elman网络学习算法 | 第43-45页 |
| 3.5 实验过程与结果分析 | 第45-55页 |
| 3.5.1 提取故障信号的特征向量 | 第45-50页 |
| 3.5.2 建立神经网络模型 | 第50页 |
| 3.5.3 神经网络的设计 | 第50-54页 |
| 3.5.4 实验结果对比 | 第54-55页 |
| 3.6 本章小结 | 第55-57页 |
| 第4章 基于RS-OHF Elman神经网络的故障诊断 | 第57-69页 |
| 4.1 粗糙集理论 | 第57-60页 |
| 4.1.1 粗糙集的基本概念 | 第57-59页 |
| 4.1.2 粗糙集的知识推理过程 | 第59-60页 |
| 4.2 粗糙集与神经网络中数据的预处理 | 第60-61页 |
| 4.2.1 粗糙集连续属性的离散化 | 第60页 |
| 4.2.2 分块决策表的属性约简方法 | 第60-61页 |
| 4.3 基于RS-OHF Elman神经网络在燃气轮机故障诊断中的应用 | 第61-66页 |
| 4.3.1 决策信息表的建立 | 第61-62页 |
| 4.3.2 属性约减 | 第62-65页 |
| 4.3.3 RS-OHF Elman神经网络的诊断结果 | 第65-66页 |
| 4.4 Elman与改进Elman网络在燃气轮机故障诊断中应用的比较 | 第66-67页 |
| 4.5 本章小结 | 第67-69页 |
| 第5章 燃气轮机涡轮叶片故障诊断系统 | 第69-77页 |
| 5.1 系统设计及开发环境 | 第69-71页 |
| 5.1.1 系统需求分析 | 第69页 |
| 5.1.2 系统总体框架 | 第69-70页 |
| 5.1.3 系统开发环境 | 第70-71页 |
| 5.2 燃气轮机诊断系统的设计与实现 | 第71-75页 |
| 5.2.1 数据库设计 | 第71-72页 |
| 5.2.2 系统界面 | 第72-75页 |
| 5.3 本章小结 | 第75-77页 |
| 结论 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 攻读硕士学位期间所发表的学术论文 | 第85-87页 |
| 攻读硕士学位期间参加的科研活动和获得的奖励 | 第87-89页 |
| 致谢 | 第89页 |
