| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-18页 |
| ·引言 | 第10页 |
| ·课题的研究背景和意义 | 第10-13页 |
| ·水轮机组的运行过程与机组基本结构 | 第13-14页 |
| ·国内外水轮机调速系统故障诊断技术的发展及研究状况 | 第14-17页 |
| ·国内水轮机调速系统及其故障诊断 | 第14-16页 |
| ·国外水轮机调速系统及其故障诊断 | 第16-17页 |
| ·本文的主要研究工作及各章节的安排 | 第17-18页 |
| 第二章 水轮机故障诊断方法的发展 | 第18-27页 |
| ·故障诊断的方法 | 第18-20页 |
| ·水轮机故障诊断的方法 | 第20-22页 |
| ·基于专家系统的水轮机故障诊断的应用 | 第20-21页 |
| ·基于神经网络技术的水轮机故障诊断的应用 | 第21-22页 |
| ·基于粗糙集理论的水轮机故障诊断的应用 | 第22页 |
| ·水轮机调速系统的常见故障与故障现象综述 | 第22-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 基于神经网络的水轮机调速系统故障诊断方法 | 第27-49页 |
| ·人工神经网络理论的发展 | 第27页 |
| ·基于BP算法的故障诊断方法设计 | 第27-39页 |
| ·B-P的基本及改进学习算法 | 第27-31页 |
| ·水轮机调速系统的B-P神经网络模型 | 第31-33页 |
| ·B-P神经网络对输入输出量的处理 | 第33-35页 |
| ·B-P神经网络的训练 | 第35-39页 |
| ·基于RBF算法的故障诊断方法设计 | 第39-48页 |
| ·RBF的学习算法 | 第39-43页 |
| ·水轮机调速系统的RBF神经网络模型 | 第43-44页 |
| ·RBF神经网络对输入输出量的处理 | 第44页 |
| ·RBF神经网络的训练 | 第44-48页 |
| ·本章小结 | 第48-49页 |
| 第四章 基于神经网络与数据融合的水轮机故障诊断 | 第49-62页 |
| ·数据融合概述 | 第49-50页 |
| ·D-S理论概述 | 第50-53页 |
| ·D-S理论概述 | 第50-51页 |
| ·Dempster证据理论的组合规则 | 第51-53页 |
| ·多个信度的合成法则 | 第53页 |
| ·用D-S证据理论进行数据融合 | 第53-54页 |
| ·基于神经网络的数据融合 | 第54-58页 |
| ·证据理论的优缺点 | 第54-55页 |
| ·证据理论和神经网络集成的数据融合诊断方法 | 第55-58页 |
| ·基于D-S证据推理的水轮机调速系统故障诊断 | 第58-61页 |
| ·基于D-S证据推理的水轮机调速系统故障诊断的实现 | 第58-60页 |
| ·利用不同方法进行故障诊断的结果比较 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第五章 水轮机调速系统远程故障诊断的设计与实现 | 第62-76页 |
| ·水轮机调速系统远程故障诊断的概况 | 第62-65页 |
| ·水电站远程监控系统 | 第62-64页 |
| ·水轮机调速系统远程故障诊断的实现 | 第64-65页 |
| ·程序的组成模块及其说明 | 第65-69页 |
| ·程序的组成模块 | 第65-66页 |
| ·故障诊断系统主程序框图说明 | 第66页 |
| ·故障诊断部分程序框图 | 第66-67页 |
| ·神经网络训练学习部分程序框图 | 第67-68页 |
| ·输出结果处理程序框图 | 第68-69页 |
| ·水轮机调速系统故障诊断的软件设计 | 第69-75页 |
| ·本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| ·总结 | 第76页 |
| ·展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-83页 |
| 作者读研期间参与的科研项目与发表的论文 | 第83页 |