摘要 | 第3-5页 |
ABSTRACT | 第5-6页 |
第一章 绪论 | 第10-18页 |
1.1 研究背景与意义 | 第10-12页 |
1.1.1 研究背景 | 第10-11页 |
1.1.2 研究意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-16页 |
1.3 本文工作 | 第16-18页 |
第二章 研究对象及实验 | 第18-26页 |
2.1 研究对象 | 第18-19页 |
2.2 无故障运行的实验工况范围 | 第19-20页 |
2.3 实验模拟的故障类型 | 第20-25页 |
2.3.1 故障类型 | 第20页 |
2.3.2 故障强度 | 第20-23页 |
2.3.3 实验数据的整理 | 第23-25页 |
2.4 本章小结 | 第25-26页 |
第三章 基于径向基神经网络模型的故障诊断方法 | 第26-46页 |
3.1 诊断方法的引出 | 第26页 |
3.2 基于径向基神经网络的系统诊断模型 | 第26-34页 |
3.2.1 系统模型的建立 | 第26-27页 |
3.2.2 径向基神经网络数学模型 | 第27-29页 |
3.2.3 径向基神经网络模型的预测 | 第29-30页 |
3.2.4 径向基神经网络模型与其他模型的对比 | 第30-34页 |
3.3 故障特性分析 | 第34-43页 |
3.3.1 基于故障实验的特性分析方法 | 第34-35页 |
3.3.2 过热度小于9℃ | 第35-39页 |
3.3.3 过热度大于等于9℃ | 第39-43页 |
3.4 基于故障特性的诊断规则表 | 第43-44页 |
3.5 基于径向基神经网络模型的故障检测与诊断逻辑 | 第44-45页 |
3.6 本章小结 | 第45-46页 |
第四章 基于自适应机器学习的故障诊断方法 | 第46-57页 |
4.1 基于自适应机器学习的故障诊断方法的引出 | 第46-47页 |
4.2 基于聚类分析的工况自适应判别 | 第47-49页 |
4.2.1 减法聚类分析方法 | 第47-48页 |
4.2.2 自适应工况判别 | 第48-49页 |
4.3 基于支持向量机的故障诊断 | 第49-56页 |
4.3.1 支持向量机算法概述 | 第49-50页 |
4.3.2 二分类支持向量机数学模型 | 第50-51页 |
4.3.3 多分类支持向量机模型 | 第51-53页 |
4.3.4 模型参数优化 | 第53页 |
4.3.5 故障诊断流程 | 第53-56页 |
4.4 本章小结 | 第56-57页 |
第五章 不同故障诊断方法的验证与评估 | 第57-80页 |
5.1 故障诊断评估指标的建立 | 第57-59页 |
5.2 基于径向基神经网络模型的故障诊断结果分析 | 第59-65页 |
5.2.1 分阈值故障诊断 | 第59-64页 |
5.2.2 不同阈值的诊断结果小结 | 第64-65页 |
5.3 基于自适应机器学习的故障诊断结果 | 第65-73页 |
5.3.1 不同训练数据的故障诊断 | 第65-73页 |
5.3.2 基于自适应机器学习的故障诊断结果分析 | 第73页 |
5.4 基于RCA规则的故障诊断方法与诊断结果 | 第73-76页 |
5.5 三种诊断方法的对比分析 | 第76-77页 |
5.6 本章小结 | 第77-80页 |
第六章 总结与展望 | 第80-82页 |
6.1 本文主要内容及结论 | 第80-81页 |
6.2 存在的问题与展望 | 第81-82页 |
参考文献 | 第82-88页 |
致谢 | 第88-89页 |
攻读学位期间的学术成果 | 第89-91页 |