基于主元分析和神经网络的汽轮机组通流渐发故障诊断方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 选题背景及其意义 | 第9-10页 |
| 1.2 国内外故障诊断研究现状 | 第10-12页 |
| 1.2.1 故障诊断技术的发展 | 第10-11页 |
| 1.2.2 汽轮发电机组通流渐发故障诊断研究现状 | 第11-12页 |
| 1.3 本文研究的内容和思路 | 第12-14页 |
| 第2章 汽轮发电机组通流渐发故障分析 | 第14-38页 |
| 2.1 汽轮发电机组通流渐发故障机理分析 | 第14-24页 |
| 2.1.1 通流部分结垢诊断信息 | 第20-22页 |
| 2.1.2 通流部分磨损机理分析 | 第22-24页 |
| 2.2 汽轮发电机组通流渐发故障FMEA分析 | 第24-29页 |
| 2.2.1 FMEA分析方法 | 第24-25页 |
| 2.2.2 汽轮机组通流渐发故障FMEA表的建立 | 第25-29页 |
| 2.3 汽轮发电机组通流部分故障树分析(FTA) | 第29-33页 |
| 2.4 汽轮发电机组通流部分能效分析 | 第33-35页 |
| 2.4.1 单耗理论 | 第33-34页 |
| 2.4.2 通流渐发故障对能效的影响 | 第34-35页 |
| 2.4.3 (?)值计算方法 | 第35页 |
| 2.5 基于FMEA和FTA的故障风险分析 | 第35-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第3章 汽轮机组通流渐发故障诊断信息量化 | 第38-59页 |
| 3.1 基准值的确定 | 第38-47页 |
| 3.2 故障征兆的量化 | 第47-50页 |
| 3.3 通流渐发故障能效定量分析 | 第50-53页 |
| 3.3.1 构造判断矩阵 | 第50-51页 |
| 3.3.2 定量指标的无量纲化处理 | 第51-52页 |
| 3.3.3 形成模糊判断矩阵 | 第52-53页 |
| 3.3.4 形成能效评价向量 | 第53页 |
| 3.4 通流渐发故障风险定量分析 | 第53-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第4章 汽轮机组通流智能故障诊断与能效评价 | 第59-75页 |
| 4.1 征兆参数的模糊隶属度分析 | 第59-65页 |
| 4.2 主元分析 | 第65-69页 |
| 4.2.1 主元分析算法 | 第66页 |
| 4.2.2 主元个数的选取 | 第66-67页 |
| 4.2.3 确定主元 | 第67-68页 |
| 4.2.4 确定故障模式类 | 第68-69页 |
| 4.3 BP神经网络 | 第69-73页 |
| 4.3.1 BP神经网络学习算法及其改进 | 第70-72页 |
| 4.3.2 BP神经网络仿真训练 | 第72-73页 |
| 4.4 通流渐发故障能效诊断模型 | 第73-74页 |
| 4.5 本章小结 | 第74-75页 |
| 第5章 通流渐发故障诊断方案研究 | 第75-81页 |
| 5.1 通流渐发故障智能诊断总体思路 | 第75页 |
| 5.2 故障诊断实例研究 | 第75-80页 |
| 5.2.1 故障诊断流程 | 第76-77页 |
| 5.2.2 故障诊断结果分析 | 第77-78页 |
| 5.2.3 故障能效分析 | 第78-79页 |
| 5.2.4 故障影响和处理措施分析 | 第79页 |
| 5.2.5 形成综合诊断分析报表 | 第79-80页 |
| 5.3 本章小结 | 第80-81页 |
| 第6章 结论与展望 | 第81-83页 |
| 6.1 主要研究成果与创新点 | 第81-82页 |
| 6.2 未来工作展望 | 第82-83页 |
| 参考文献 | 第83-86页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第86-87页 |
| 致谢 | 第87页 |
