| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-9页 |
| 第1章 引言 | 第9-14页 |
| ·选题背景及其意义 | 第9页 |
| ·汽轮发电机组在线监测与故障诊断研究现状 | 第9-10页 |
| ·常见的智能故障诊断方法 | 第10-12页 |
| ·专家系统故障诊断方法 | 第10-11页 |
| ·模糊理论故障诊断方法 | 第11页 |
| ·神经网络故障诊断方法 | 第11页 |
| ·故障树故障诊断方法 | 第11-12页 |
| ·流形学习理论及在故障诊断领域的应用现状 | 第12-13页 |
| ·本文的主要研究内容 | 第13-14页 |
| 第2章 汽轮发电机组振动故障 | 第14-19页 |
| ·机组振动故障的分类 | 第14页 |
| ·转子不平衡 | 第14-15页 |
| ·机组中心不正与不对中 | 第15-16页 |
| ·汽轮发电机组转子碰磨故障 | 第16-17页 |
| ·汽轮发电机组支撑松动故障 | 第17-19页 |
| 第3章 流形学习算法 | 第19-27页 |
| ·流形学习 | 第19页 |
| ·经典的线性算法 | 第19-22页 |
| ·主成分分析 | 第19-21页 |
| ·多维尺度化 | 第21-22页 |
| ·经典的流形学习算法 | 第22-26页 |
| ·等距映射算法ISOMAP | 第22-23页 |
| ·局部线性嵌入算法LLE | 第23-25页 |
| ·拉普拉斯特征映射算法LE | 第25-26页 |
| ·小结 | 第26-27页 |
| 第4章 基于流形学习的汽轮机转子振动故障特征提取数学模型的建立 | 第27-30页 |
| ·拉普拉斯流形学习算法LE与主分量分析PCA | 第27-28页 |
| ·基于拉普拉斯流形学习算法的特征提取数学模型 | 第28页 |
| ·基于拉普拉斯流形学习算法特征提取步骤 | 第28-29页 |
| ·小结 | 第29-30页 |
| 第5章 LE算法在汽轮机振动故障诊断中的应用 | 第30-48页 |
| ·故障诊断的步骤 | 第30-31页 |
| ·转子故障试验分析 | 第31-35页 |
| ·特征量的选取 | 第35-43页 |
| ·时域特征量 | 第35-39页 |
| ·频域特征量 | 第39-43页 |
| ·分类器——概率神经网络 | 第43-44页 |
| ·最佳邻域值k和最佳嵌入维数d | 第44-45页 |
| ·诊断结果 | 第45-47页 |
| ·小结 | 第47-48页 |
| 第6章 结论与展望 | 第48-50页 |
| ·结论 | 第48页 |
| ·展望 | 第48-50页 |
| 参考文献 | 第50-53页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第53-54页 |
| 致谢 | 第54页 |