| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 创新点 | 第8-12页 |
| 第1章 绪论 | 第12-27页 |
| 1.1 课题来源 | 第12页 |
| 1.2 课题研究背景、意义和目的 | 第12-14页 |
| 1.3 国内外研究现状 | 第14-25页 |
| 1.3.1 压缩机组故障诊断研究 | 第14-16页 |
| 1.3.2 预警方法研究现状 | 第16-17页 |
| 1.3.3 故障识别方法研究现状 | 第17-23页 |
| 1.3.4 信号降噪方法研究现状 | 第23-25页 |
| 1.4 本文主要研究内容 | 第25-27页 |
| 第2章 天然气离心压缩机组预警关联机理研究 | 第27-39页 |
| 2.1 引言 | 第27页 |
| 2.2 离心压缩机组主要构成 | 第27-29页 |
| 2.3 机组子系统间关联机理分析 | 第29-38页 |
| 2.3.1 机组工艺管道内气体状态 | 第29-32页 |
| 2.3.2 离心压缩机工作特性分析 | 第32-34页 |
| 2.3.3 干气密封系统与压缩机本体关联机理分析 | 第34-35页 |
| 2.3.4 润滑系统与压缩机本体关联机理分析 | 第35-37页 |
| 2.3.5 管道内水合物影响规律分析 | 第37-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第3章 天然气压缩机组关联故障预警算法研究 | 第39-52页 |
| 3.1 引言 | 第39页 |
| 3.2 深度神经网络原理 | 第39-44页 |
| 3.2.1 受限玻尔兹曼机 | 第40-42页 |
| 3.2.2 高斯-伯努利混合模型 | 第42-43页 |
| 3.2.3 深度神经网络训练过程 | 第43-44页 |
| 3.3 隐马尔可夫模型 | 第44-46页 |
| 3.4 机组关联故障预警算法研究 | 第46-51页 |
| 3.4.1 压缩机组预警问题分析 | 第46-47页 |
| 3.4.2 压缩机组预警算法 | 第47-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第4章 基于Erdem相关特性的预警参数关联分析 | 第52-73页 |
| 4.1 引言 | 第52页 |
| 4.2 相关分析方法研究 | 第52-54页 |
| 4.3 Erdem最大相关系数求解方法研究 | 第54-60页 |
| 4.3.1 Erdem相关系数 | 第54-57页 |
| 4.3.2 Erdem最大相关系数的邻域极值求解法 | 第57-58页 |
| 4.3.3 合成控制图表时序数据集验证 | 第58-60页 |
| 4.4 机组状态参数相关性分析 | 第60-72页 |
| 4.4.1 机组状态参数 | 第60-61页 |
| 4.4.2 基于经验模态分解的信号降噪处理 | 第61-63页 |
| 4.4.3 基于Erdem相关分析的机组状态关联分析 | 第63-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第5章 基于密度峰值聚类的机组状态预警指标研究 | 第73-85页 |
| 5.1 引言 | 第73页 |
| 5.2 基于密度峰值的聚类方法 | 第73-75页 |
| 5.2.1 二维数据的聚类过程 | 第73-74页 |
| 5.2.2 高维数据的聚类应用 | 第74-75页 |
| 5.3 压缩机组状态参数指标研究 | 第75-83页 |
| 5.3.1 基于密度峰值的聚类中心选择 | 第75-76页 |
| 5.3.2 基于信息熵的聚类数量确定方法 | 第76-78页 |
| 5.3.3 基于密度峰值聚类数量确定的方法改进 | 第78-79页 |
| 5.3.4 基于聚类分析的机组状态参数选择 | 第79-83页 |
| 5.4 本章小结 | 第83-85页 |
| 第6章 基于DNN-HMM的预警模型性能测试与分析 | 第85-92页 |
| 6.1 引言 | 第85页 |
| 6.2 测试背景概述 | 第85-86页 |
| 6.3 预警模型测试与分析 | 第86-91页 |
| 6.3.1 测试案例 | 第87-88页 |
| 6.3.2 预警模型测试结果分析 | 第88-91页 |
| 6.4 本章小结 | 第91-92页 |
| 第7章 结论与展望 | 第92-94页 |
| 7.1 结论 | 第92-93页 |
| 7.2 展望 | 第93-94页 |
| 参考文献 | 第94-101页 |
| 致谢 | 第101-102页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第102-103页 |
| 学位论文数据集 | 第103页 |
