基于神经网络和证据理论融合的水电机组振动故障诊断研究
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 1 绪论 | 第9-17页 |
| ·本课题的意义与目的 | 第9-11页 |
| ·故障诊断的发展现状 | 第11-12页 |
| ·智能故障诊断的常用方法 | 第12-16页 |
| ·模糊识别方法 | 第12-13页 |
| ·专家系统方法 | 第13页 |
| ·神经网络识别方法 | 第13-14页 |
| ·故障树分析法 | 第14页 |
| ·小波故障诊断方法 | 第14-15页 |
| ·信息融合诊断法 | 第15页 |
| ·混合智能诊断方法 | 第15-16页 |
| ·本文研究的主要内容 | 第16-17页 |
| 2 水轮发电机组振动机理及故障特征提取 | 第17-31页 |
| ·引言 | 第17-18页 |
| ·机组振动的原因及主要特征 | 第18-21页 |
| ·机械振动 | 第18-19页 |
| ·电气振动 | 第19-20页 |
| ·水力振动 | 第20-21页 |
| ·各频率征兆所对应的故障 | 第21-23页 |
| ·水电机组的振动判别与试验方法 | 第23-25页 |
| ·由振动试验判别振动原因 | 第23-24页 |
| ·从振动部位判别振动原因 | 第24页 |
| ·由振动频率识别振动原因 | 第24-25页 |
| ·水电机组振动监测的关键技术 | 第25-27页 |
| ·监测点的选择与布置 | 第25页 |
| ·传感器的选择和配置 | 第25-26页 |
| ·信号的采集、分析与处理 | 第26-27页 |
| ·振动信号的处理与故障特征提取 | 第27-31页 |
| ·信号处理技术 | 第27-29页 |
| ·信号能量频带分析 | 第29-30页 |
| ·算法的实现 | 第30-31页 |
| 3 改进的遗传神经网络算法 | 第31-52页 |
| ·引言 | 第31页 |
| ·神经网络原理及其算法的改进 | 第31-39页 |
| ·人工神经网络概述 | 第31-32页 |
| ·BP 神经网络算法原理及数学推导 | 第32-35页 |
| ·BP 神经网络算法学习流程 | 第35-36页 |
| ·BP 网络设计分析 | 第36-38页 |
| ·BP 神经网络算法的缺点及改进措施 | 第38-39页 |
| ·遗传算法的基本原理及改进算法 | 第39-42页 |
| ·遗传算法的基本原理 | 第39页 |
| ·遗传算法的构造和应用步骤 | 第39-41页 |
| ·遗传算法的改进 | 第41-42页 |
| ·遗传算法与人工神经网络的结合 | 第42-48页 |
| ·GA-BP 混合算法的基本思想 | 第42-44页 |
| ·编码策略 | 第44页 |
| ·群体设定 | 第44页 |
| ·适应度函数的确定 | 第44-45页 |
| ·混合算法的实现 | 第45-47页 |
| ·混合算法的优点 | 第47-48页 |
| ·算例分析 | 第48-52页 |
| 4 信息融合系统在故障诊断中的应用 | 第52-67页 |
| ·引言 | 第52-55页 |
| ·信息融合理论概述 | 第52-53页 |
| ·信息融合的基本原理 | 第53-54页 |
| ·信息融合与故障诊断 | 第54-55页 |
| ·信息融合方法的选择 | 第55-56页 |
| ·Dempster-Shafer 证据理论 | 第56-59页 |
| ·D-S 证据理论的基本概念 | 第56-58页 |
| ·D-S 证据理论融合规则 | 第58-59页 |
| ·D-S 证据推理信息融合决策的基本过程 | 第59-60页 |
| ·D-S 证据理论的优缺点 | 第60-61页 |
| ·信息融合和神经网络相结合应用于故障诊断 | 第61-64页 |
| ·信息融合方法的研究可以实现综合诊断 | 第61页 |
| ·神经网络故障诊断问题可以看成模式识别 | 第61-62页 |
| ·神经网络和D-S 证据理论相结合的融合诊断方法 | 第62-64页 |
| ·算例分析 | 第64-67页 |
| ·诊断子网的实现 | 第64-65页 |
| ·D-S 融合决策 | 第65-67页 |
| 5 水电机组振动故障诊断系统软件的实现 | 第67-74页 |
| ·MATLAB 简介 | 第67-68页 |
| ·水电机组振动故障诊断系统的实现 | 第68-74页 |
| 6 结论与展望 | 第74-76页 |
| ·结论 | 第74页 |
| ·展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 在校学习期间发表的论文 | 第81页 |
