摘要 | 第3-4页 |
ABSTRACT | 第4-5页 |
第一章 绪论 | 第9-14页 |
1.1 课题研究的目的和意义 | 第9页 |
1.2 综述与国内外发展现状 | 第9-12页 |
1.2.1 旋转机械在线监测和故障诊断系统的国内外发展现状 | 第9-11页 |
1.2.2 烟气轮机在线监测和故障诊断系统的国内外发展现状 | 第11-12页 |
1.3 主要研究内容、技术路线和创新点 | 第12-13页 |
1.3.1 研究内容 | 第12页 |
1.3.2 技术路线 | 第12-13页 |
1.3.3 创新点 | 第13页 |
1.4 章节安排 | 第13-14页 |
第二章 烟气轮机状态监测系统研究 | 第14-26页 |
2.1 烟气轮机机组概括 | 第14-17页 |
2.1.1 烟气轮机工作原理 | 第14页 |
2.1.2 烟气轮机结构 | 第14-15页 |
2.1.3 烟气轮机的使用组合形式 | 第15-16页 |
2.1.4 烟气轮机的工艺流程 | 第16-17页 |
2.2 烟气轮机的故障诊断方法 | 第17-20页 |
2.2.1 烟气轮机的典型故障类型 | 第17-19页 |
2.2.2 烟气轮机的故障诊断方法 | 第19-20页 |
2.3 烟气轮机特征信号及测点的选择 | 第20-23页 |
2.3.1 烟气轮机常用特征信号 | 第20-21页 |
2.3.2 烟气轮机特征信号的选择 | 第21-22页 |
2.3.3 烟气轮机测点的布置 | 第22-23页 |
2.4 传感器的选择 | 第23-24页 |
2.4.1 传感器的选用原则 | 第23页 |
2.4.2 常用测振传感器研究 | 第23-24页 |
2.5 本章小结 | 第24-26页 |
第三章 小波分析在烟气轮机信号特征提取中的应用 | 第26-37页 |
3.1 小波分析理论概述 | 第26-27页 |
3.2 连续小波变换 | 第27-29页 |
3.2.1 小波函数 | 第27页 |
3.2.2 连续小波变换概念 | 第27-28页 |
3.2.3 连续小波变换性质 | 第28-29页 |
3.3 离散小波变换 | 第29-30页 |
3.4 小波包分析理论 | 第30-33页 |
3.4.1 小波包原理 | 第31页 |
3.4.2 小波包子空间分解 | 第31-32页 |
3.4.3 小波包算法 | 第32-33页 |
3.5 小波包在烟气轮机振动信号特征提取中的应用 | 第33-36页 |
3.5.1 数据信号采集 | 第34页 |
3.5.2 提取样本的特征向量 | 第34-36页 |
3.6 本章小结 | 第36-37页 |
第四章 支持向量机的基本理论 | 第37-46页 |
4.1 统计学习理论 | 第37-40页 |
4.1.1 VC维 | 第37-38页 |
4.1.2 经验风险最小化原则 | 第38页 |
4.1.3 结构风险最小化原则 | 第38-40页 |
4.2 支持向量机理论 | 第40-44页 |
4.2.1 线性可分支持向量机 | 第41-43页 |
4.2.2 近似线性可分支持向量机 | 第43-44页 |
4.2.3 非线性可分支持向量机 | 第44页 |
4.3 核函数 | 第44-45页 |
4.4 本章小结 | 第45-46页 |
第五章 基于支持向量机的烟气轮机系统故障诊断实验仿真 | 第46-60页 |
5.1 实验方案 | 第46-48页 |
5.1.1 设备信息 | 第46页 |
5.1.2 实验环境 | 第46-47页 |
5.1.3 实验流程 | 第47-48页 |
5.2 实验数据预处理 | 第48-52页 |
5.2.1 选定样本 | 第48页 |
5.2.2 样本去噪处理 | 第48-51页 |
5.2.3 提取特征向量 | 第51-52页 |
5.3 SVM参数优化 | 第52-53页 |
5.3.1 遗传算法(GA) | 第52-53页 |
5.3.2 网格搜寻算法(Grid Search) | 第53页 |
5.3.3 粒子群优化算法(PSO) | 第53页 |
5.4 基于支持向量机的烟气轮机系统故障诊断实验仿真 | 第53-59页 |
5.4.1 基于遗传算法(GA)参数寻优的SVM仿真实验 | 第53-55页 |
5.4.2 基于网格搜寻算法(Grid Search)参数寻优的SVM仿真实验 | 第55-57页 |
5.4.3 基于粒子群优化算法(PSO)参数寻优的SVM仿真实验 | 第57-59页 |
5.5 实验结果分析 | 第59页 |
5.6 本章小结 | 第59-60页 |
第六章 结论 | 第60-61页 |
致谢 | 第61-62页 |
参考文献 | 第62-64页 |
攻读硕士学位期间发表论文 | 第64-65页 |