| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 故障诊断技术发展 | 第11-13页 |
| 1.2.2 基于流形学习特征降维提取的故障诊断方法 | 第13-15页 |
| 1.2.3 基于人工智能模式识别的故障诊断方法 | 第15-16页 |
| 1.3 研究目标 | 第16-17页 |
| 1.4 论文研究内容与结构 | 第17-19页 |
| 第2章 流形学习降维 | 第19-46页 |
| 2.1 流形和流形学习 | 第19-20页 |
| 2.1.1 流形相关概念 | 第19页 |
| 2.1.2 流形学习 | 第19-20页 |
| 2.2 线性特征降维方法 | 第20-22页 |
| 2.2.1 主元分析方法 | 第21页 |
| 2.2.2 多维尺度分析 | 第21-22页 |
| 2.3 非线性特征降维方法 | 第22-26页 |
| 2.3.1 局部线性嵌入 | 第22-24页 |
| 2.3.2 等距离映射嵌入 | 第24页 |
| 2.3.3 拉普拉斯特征映射 | 第24-25页 |
| 2.3.4 局部切空间排列 | 第25-26页 |
| 2.4 数据特征降维试验 | 第26-41页 |
| 2.4.1 人工数据集降维试验 | 第26-36页 |
| 2.4.2 核电厂运行数据降维试验 | 第36-41页 |
| 2.5 流形学习引入故障诊断的问题 | 第41-45页 |
| 2.5.1 本征维数确定 | 第41-42页 |
| 2.5.2 近邻点选择 | 第42-45页 |
| 2.5.3 增量式学习 | 第45页 |
| 2.6 本章小结 | 第45-46页 |
| 第3章 主冷却剂系统故障检测 | 第46-57页 |
| 3.1 主冷却剂系统 | 第47-49页 |
| 3.1.1 系统功能 | 第47页 |
| 3.1.2 典型故障与参数选取 | 第47-49页 |
| 3.2 流形学习故障检测方法 | 第49-53页 |
| 3.2.1 基于维数约简的故障检测 | 第49-50页 |
| 3.2.2 基于T2和SPE的故障检测 | 第50-51页 |
| 3.2.3 基于改进统计量的故障检测方法 | 第51-53页 |
| 3.3 实例分析 | 第53-56页 |
| 3.4 本章小结 | 第56-57页 |
| 第4章 主冷却剂系统故障诊断与程度评估 | 第57-72页 |
| 4.1 模式识别方法 | 第57-60页 |
| 4.1.1 支持向量机方法 | 第57-59页 |
| 4.1.2 K-最近邻分类方法 | 第59-60页 |
| 4.2 聚类-再分类故障诊断模型 | 第60-68页 |
| 4.2.1 LTSA-SVM故障诊断模型 | 第60页 |
| 4.2.2 LTSA-KNN故障诊断模型 | 第60-61页 |
| 4.2.3 故障诊断对比结果分析 | 第61-68页 |
| 4.3 BP神经网络故障程度评估 | 第68-70页 |
| 4.3.1 BP神经网络模型 | 第68-69页 |
| 4.3.2 程度评估原理 | 第69-70页 |
| 4.4 本章小结 | 第70-72页 |
| 第5章 流形学习故障诊断系统设计与测试 | 第72-93页 |
| 5.1 总体设计 | 第72-74页 |
| 5.1.1 功能结构 | 第72-73页 |
| 5.1.2 业务流程 | 第73-74页 |
| 5.1.3 开发环境 | 第74页 |
| 5.2 系统功能模块 | 第74-83页 |
| 5.2.1 状态监测模块 | 第74-77页 |
| 5.2.2 故障诊断模块 | 第77-79页 |
| 5.2.3 故障程度评估模块 | 第79-83页 |
| 5.3 系统功能测试 | 第83-91页 |
| 5.3.1 PCTRAN仿真软件介绍 | 第83页 |
| 5.3.2 冷却剂丧失事故 | 第83-88页 |
| 5.3.3 蒸汽发生器传热管破裂事故 | 第88-91页 |
| 5.4 实例验证分析 | 第91页 |
| 5.5 本章小结 | 第91-93页 |
| 结论 | 第93-95页 |
| 参考文献 | 第95-101页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第101-103页 |
| 致谢 | 第103页 |