首页--工业技术论文--原子能技术论文--核反应堆工程论文--反应堆运行与维修论文

基于数据融合的核动力装置智能故障诊断方法研究

摘要第5-6页
abstract第6-7页
第1章 绪论第11-19页
    1.1 论文的研究背景及意义第11-12页
    1.2 设备智能故障诊断技术研究现状第12-15页
        1.2.1 专家系统故障诊断方法第13-14页
        1.2.2 模糊逻辑故障诊断方法第14页
        1.2.3 神经网络故障诊断方法第14-15页
        1.2.4 故障诊断技术发展趋势第15页
    1.3 智能故障诊断技术在核动力装置上的应用第15-16页
    1.4 论文研究内容第16-17页
    1.5 论文结构第17-19页
第2章 数据融合技术概述第19-29页
    2.1 数据融合的原理第19-21页
    2.2 数据融合的功能模型第21-23页
        2.2.1 数据融合级别第21页
        2.2.2 像素级融合第21页
        2.2.3 特征级融合第21-22页
        2.2.4 决策级融合第22-23页
    2.3 D-S证据理论第23-27页
        2.3.1 证据理论的基本概念第23-25页
        2.3.2 Dempster合成规则第25-26页
        2.3.3 D-S证据理论的合成规则性质第26-27页
        2.3.4 决策规则第27页
    2.4 数据融合的应用第27-28页
    2.5 本章小结第28-29页
第3章 BP神经网络与D-S证据理论结合的故障诊断方法研究第29-37页
    3.1 人工神经网络第29-31页
        3.1.1 人工神经网络概述第29页
        3.1.2 人工神经网络的基本结构第29-31页
    3.2 BP神经网络第31-34页
        3.2.1 BP神经网络概述第31页
        3.2.2 BP神经网络的优点第31-32页
        3.2.3 BP学习算法第32-34页
    3.3BP神经网络与D-S证据理论结合的诊断方法第34-36页
        3.3.1 BP-DS故障诊断模型第35页
        3.3.2 故障诊断模型实现过程第35-36页
    3.4 本章小结第36-37页
第4章 深度学习故障诊断方法研究第37-47页
    4.1 深度学习概述第37-39页
    4.2 限制性玻尔兹曼机第39-43页
        4.2.1 基于能量的模型第39-40页
        4.2.2 玻尔兹曼机第40-41页
        4.2.3 限制性玻尔兹曼机(RBM)第41页
        4.2.4 RBM的训练第41-43页
    4.3 深度置信网络第43-45页
    4.4 基于深度学习的核动力装置故障诊断方法第45-46页
        4.4.1 故障诊断模型第45页
        4.4.2 故障诊断步骤第45-46页
    4.5 本章小结第46-47页
第5章 核动力装置故障诊断研究第47-61页
    5.1 PCTRAN简介第47-48页
    5.2 数据来源及分类第48页
    5.3 数据预处理第48-50页
        5.3.1 数据降维处理第48-49页
        5.3.2 参数归一化处理第49-50页
    5.4 模型验证及结果第50-54页
    5.5 程序开发第54-56页
    5.6 故障诊断实例分析第56-59页
        5.6.1 冷管段破口失水事故、热管段破口失水事故第56-58页
        5.6.2 甩负荷事故第58-59页
    5.7 本章小结第59-61页
结论第61-63页
参考文献第63-71页
攻读学位期间发表的论文和科研成果第71-73页
致谢第73页

论文共73页,点击 下载论文
上一篇:镎在地下水中的物质形态模拟程序开发
下一篇:核动力装置电力系统图形化仿真建模技术研究