| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 本课题国内外的研究动态 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.2.3 汽轮机通流部分故障诊断常用方法及特点 | 第13-14页 |
| 1.3 本文研究的主要内容 | 第14-15页 |
| 第2章 汽轮机通流部分故障分析 | 第15-24页 |
| 2.1 诊断对象概述 | 第15-16页 |
| 2.2 汽轮机通流部分故障种类 | 第16-17页 |
| 2.3 汽轮机通流部分故障分析 | 第17-23页 |
| 2.3.1 结垢、腐蚀故障 | 第17-18页 |
| 2.3.2 磨损故障 | 第18-19页 |
| 2.3.3 调节汽门门杆断裂或门芯脱落故障 | 第19-20页 |
| 2.3.4 主汽门卡涩故障 | 第20-21页 |
| 2.3.5 叶片断裂、损坏故障 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于模糊SOM神经网络的汽轮机通流部分故障诊断 | 第24-43页 |
| 3.1 SOM神经网络 | 第24-26页 |
| 3.1.1 SOM神经网络概述 | 第24页 |
| 3.1.2 SOM神经网络结构 | 第24-25页 |
| 3.1.3 SOM神经网络学习算法 | 第25-26页 |
| 3.2 模糊集和隶属函数 | 第26-28页 |
| 3.2.1 模糊集合的基本概念 | 第26-27页 |
| 3.2.2 模糊集合的隶属度函数 | 第27-28页 |
| 3.3 模糊系统与神经网络的结合 | 第28-29页 |
| 3.3.1 模糊系统与神经网络各自特点 | 第28页 |
| 3.3.2 模糊系统与神经网络结合的可能性 | 第28-29页 |
| 3.4 故障征兆参数的模糊隶属度函数 | 第29-32页 |
| 3.5 汽轮机通流部分故障样本的建立 | 第32-34页 |
| 3.5.1 汽轮机通流部分故障与故障征兆的选取 | 第32-33页 |
| 3.5.2 汽轮机通流部分故障特征向量的选取 | 第33-34页 |
| 3.6 基于模糊SOM神经网络的汽轮机通流部分故障诊断 | 第34-38页 |
| 3.6.1 模糊SOM神经网络的学习 | 第34-38页 |
| 3.6.2 通流部分故障诊断案例验证 | 第38页 |
| 3.7 复合SOM-BP神经网络 | 第38-39页 |
| 3.8 基于复合SOM-BP神经网络的汽轮机通流部分故障诊断 | 第39-42页 |
| 3.8.1 复合SOM-BP神经网络的学习 | 第39-41页 |
| 3.8.2 通流部分故障诊断案例验证 | 第41-42页 |
| 3.9 本章小结 | 第42-43页 |
| 第4章 基于模糊粗糙集和支持向量机的汽轮机通流部分故障诊断 | 第43-55页 |
| 4.1 支持向量机 | 第43-45页 |
| 4.1.1 支持向量机概述 | 第43-44页 |
| 4.1.2 支持向量机的核函数 | 第44页 |
| 4.1.3 多分类支持向量机 | 第44-45页 |
| 4.2 粗糙集理论 | 第45-47页 |
| 4.2.1 粗糙集定义 | 第45页 |
| 4.2.2 知识的约简和核 | 第45-46页 |
| 4.2.3 属性的依赖度 | 第46页 |
| 4.2.4 属性的重要性 | 第46页 |
| 4.2.5 离散化处理 | 第46页 |
| 4.2.6 基于粗糙集理论的故障诊断方法 | 第46-47页 |
| 4.3 基于模糊RS和SVM的汽轮机通流部分结垢故障诊断 | 第47-53页 |
| 4.3.1 RS与SVM方法融合的优势 | 第47页 |
| 4.3.2 基于RS与SVM的故障诊断流程 | 第47-48页 |
| 4.3.3 通流部分结垢故障诊断案例验证 | 第48-53页 |
| 4.4 本章小结 | 第53-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第61-63页 |
| 致谢 | 第63页 |
