| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 课题研究的背景及意义 | 第12-14页 |
| 1.1.1 课题研究的背景 | 第12-13页 |
| 1.1.2 课题研究的意义 | 第13-14页 |
| 1.2 课题的国内外研究现状 | 第14-16页 |
| 1.2.1 国外燃机状态检测及故障诊断技术现状 | 第14-15页 |
| 1.2.2 国内燃机状态检测及故障诊断研究现状 | 第15-16页 |
| 1.3 燃气轮机状态检测技术分类 | 第16-17页 |
| 1.4 论文完成的主要工作及结构安排 | 第17-19页 |
| 第2章 支持向量机理论基础 | 第19-35页 |
| 2.1 现代统计理论知识 | 第19-21页 |
| 2.1.1 VC维 | 第19页 |
| 2.1.2 结构风险最小化原则 | 第19-20页 |
| 2.1.3 泛化能力 | 第20-21页 |
| 2.2 支持向量机分类算法 | 第21-28页 |
| 2.2.1 线性可分支持向量机 | 第21-23页 |
| 2.2.2 近似线性可分支持向量机 | 第23-25页 |
| 2.2.3 非线性可分支持向量机 | 第25-28页 |
| 2.3 支持向量回归 | 第28-29页 |
| 2.3.1 线性回归 | 第28-29页 |
| 2.3.2 非线性回归 | 第29页 |
| 2.4 核函数 | 第29-31页 |
| 2.5 核函数的选取标准 | 第31-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第3章 涡轮叶片的失效机理及温度数据预处理 | 第35-46页 |
| 3.1 涡轮叶片结构及失效机理分析 | 第35-37页 |
| 3.1.1 涡轮叶片的结构 | 第35-36页 |
| 3.1.2 涡轮叶片的材料要求 | 第36页 |
| 3.1.3 涡轮叶片的失效 | 第36-37页 |
| 3.2 温度样本数据提取预处理 | 第37-41页 |
| 3.2.1 周期信号提取 | 第38-40页 |
| 3.2.2 变工况温度数据分布 | 第40-41页 |
| 3.3 单个叶片温度数据提取 | 第41-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 基于EEMD方法的叶片温度特征提取 | 第46-61页 |
| 4.1 信号特征提取方法介绍 | 第46-47页 |
| 4.2 经验模态分解 | 第47-49页 |
| 4.2.1 固有模态函数(IMF) | 第47页 |
| 4.2.2 EMD方法 | 第47-49页 |
| 4.3 EMD方法和小波变换方法的比较 | 第49-52页 |
| 4.3.1 小波变换简介 | 第49-50页 |
| 4.3.2 小波包分解 | 第50-52页 |
| 4.4 叶片温度信号实验 | 第52-56页 |
| 4.4.1 小波分解结果 | 第52-54页 |
| 4.4.2 EMD分解 | 第54-56页 |
| 4.5 针对EMD方法的改进—EEMD方法 | 第56-58页 |
| 4.6 特征提取 | 第58-60页 |
| 4.7 本章小结 | 第60-61页 |
| 第5章 基于优化SVM的涡轮叶片状态检测 | 第61-80页 |
| 5.1 叶片状态检测模型 | 第61-62页 |
| 5.2 叶片状态分类及特征数据整合 | 第62-64页 |
| 5.3 SVM分类模型以及核函数的确定 | 第64-67页 |
| 5.3.1 最小二乘支持向量机模型 | 第65页 |
| 5.3.2 常用的核函数 | 第65-66页 |
| 5.3.3 参数对LSSVM模型的影响 | 第66-67页 |
| 5.4 基于人工蜂群算法优化LSSVM模型的叶片状态检测 | 第67-69页 |
| 5.4.1 人工蜂群算法 | 第67-69页 |
| 5.5 实验结果与分析 | 第69-75页 |
| 5.5.1 参数设置 | 第69-70页 |
| 5.5.2 实验结果 | 第70-75页 |
| 5.6 不均衡样本对ABC-LSSVM模型的影响 | 第75-78页 |
| 5.7 本章小结 | 第78-80页 |
| 结论 | 第80-82页 |
| 参考文献 | 第82-87页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第87-88页 |
| 致谢 | 第88页 |