基于集成神经网络的凝汽器故障诊断
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 故障诊断技术的研究动态 | 第11-16页 |
| 1.2.1 国外故障诊断技术的发展和研究现状 | 第11-12页 |
| 1.2.2 国内故障诊断技术的发展和研究现状 | 第12页 |
| 1.2.3 现代凝汽器故障诊断方法 | 第12-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 第2章 凝汽器常见故障分析 | 第17-26页 |
| 2.1 凝汽器概述 | 第17-18页 |
| 2.2 凝汽器真空度对机组性能的影响 | 第18-19页 |
| 2.3 凝汽器真空恶化理论分析 | 第19-21页 |
| 2.4 凝汽器真空恶化原因综合分析 | 第21-25页 |
| 2.4.1 凝汽器真空急剧恶化的原因分析 | 第21-22页 |
| 2.4.2 凝汽器真空缓慢下降的原因分析 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 故障诊断中的集成神经网络信息融合 | 第26-41页 |
| 3.1 概述 | 第26页 |
| 3.2 BP神经网络的基本理论 | 第26-34页 |
| 3.2.1 常规BP网络算法 | 第26-32页 |
| 3.2.2 改进BP神经网络算法 | 第32-34页 |
| 3.3 信息融合技术 | 第34-36页 |
| 3.3.1 数据层融合 | 第34-35页 |
| 3.3.2 特征层融合 | 第35-36页 |
| 3.3.3 决策层融合 | 第36页 |
| 3.4 集成神经网络的信息融合 | 第36-40页 |
| 3.4.1 集成神经网络的基本结构 | 第37-38页 |
| 3.4.2 子网络的组建原则 | 第38页 |
| 3.4.3 决策融合网络的实现 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 凝汽器故障诊断 | 第41-60页 |
| 4.1 基于集成神经网络故障诊断 | 第41-48页 |
| 4.1.1 基于集成神经网络故障诊断概述 | 第41-42页 |
| 4.1.2 故障特征信号的选取 | 第42-48页 |
| 4.2 基于故障分类的多神经网络故障诊断 | 第48-55页 |
| 4.2.1 基于故障分类的多神经网络故障诊断概述 | 第48-50页 |
| 4.2.2 故障特征信号的选取 | 第50-55页 |
| 4.3 两种智能算法的计算分析 | 第55-59页 |
| 4.3.1 Matlab神经网络工具箱 | 第55-56页 |
| 4.3.2 BP神经网络的训练 | 第56-57页 |
| 4.3.3 故障诊断的步骤及实例诊断 | 第57-59页 |
| （一）故障诊断的步骤 | 第57-58页 |
| （二）实例诊断 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第5章 结论 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65-69页 |
| 致谢 | 第69-70页 |
| 作者简介 | 第70页 |
