| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 引言 | 第9-13页 |
| 1.1 选题背景及意义 | 第9页 |
| 1.2 汽轮机故障诊断研究现状 | 第9-10页 |
| 1.2.1 国外研究动态 | 第9-10页 |
| 1.2.2 国内研究动态 | 第10页 |
| 1.3 基于人工神经网络的研究现状 | 第10-11页 |
| 1.4 贝叶斯网络研究现状 | 第11-12页 |
| 1.5 本文的研究内容和结构 | 第12-13页 |
| 第2章 汽轮机常见的振动故障及诊断方法 | 第13-26页 |
| 2.1 汽轮发电机组振动的分类 | 第13页 |
| 2.2 常见汽轮机振动故障的分析 | 第13-15页 |
| 2.2.1 汽轮机振动故障诊断的一般体系 | 第14-15页 |
| 2.3 提取振动信号频域特征 | 第15-25页 |
| 2.3.1 转子不平衡故障的频谱征兆 | 第15-18页 |
| 2.3.2 转子动静碰磨的故障频谱征兆 | 第18-20页 |
| 2.3.3 不对中故障的频谱征兆 | 第20-21页 |
| 2.3.4 轴承松动故障的频谱征兆 | 第21-23页 |
| 2.3.5 油膜涡动与油膜振荡故障的频谱征兆 | 第23-24页 |
| 2.3.6 转子裂纹征兆 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 遗传算法优化的 BP 神经网络 | 第26-34页 |
| 3.1 神经网络带来的解决问题新思路 | 第26页 |
| 3.2 BP 神经网络的算法原理 | 第26页 |
| 3.3 算法实现步驟 | 第26-28页 |
| 3.4 神经网络的缺陷及改进 | 第28-30页 |
| 3.5 遗传算法的基本思想 | 第30-31页 |
| 3.6 遗传算法的实现 | 第31-32页 |
| 3.7 遗传算法对神经网络的优化 | 第32-33页 |
| 3.8 本章小结 | 第33-34页 |
| 第4章 基于贝叶斯网络的故障诊断方法 | 第34-40页 |
| 4.1 贝叶斯网络 | 第34-35页 |
| 4.2 贝叶斯网络构造 | 第35-36页 |
| 4.3 贝叶斯网络推理 | 第36-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第5章 基于遗传优化的 BP 与贝叶斯网络的故障诊断 | 第40-55页 |
| 5.1 BP 网络结构设计 | 第40-43页 |
| 5.1.1 网络层数设计 | 第40页 |
| 5.1.2 隐含层神经元数设计 | 第40-42页 |
| 5.1.3 训练样本集设计 | 第42-43页 |
| 5.2 样本的 GA 算法 | 第43-47页 |
| 5.2.1 选择合适的编码方式 | 第43-44页 |
| 5.2.2 设计适应度函数 | 第44页 |
| 5.2.3 初始种群解空间的构成及初始种群数 | 第44页 |
| 5.2.4 选择策略 | 第44-45页 |
| 5.2.5 演化算子的选择 | 第45-47页 |
| 5.3 改进的 GA 对 BP 网络故障诊断模型的优化 | 第47-48页 |
| 5.4 故障诊断系统的分析与测试 | 第48-54页 |
| 5.4.1 网络训练 | 第48-49页 |
| 5.4.2 故障诊断系统的测试 | 第49-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第6章 结论与展望 | 第55-57页 |
| 6.1 全文总结 | 第55页 |
| 6.2 研究展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间发表的论文与科研情况 | 第60-61页 |
| 致谢 | 第61页 |