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 |