基于神经网络的火电厂设备状态实时监测系统设计
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题背景及意义 | 第10页 |
| 1.2 设备状态监测发展现状 | 第10-12页 |
| 1.3 设备异常状态监测的主要方法 | 第12-14页 |
| 1.3.1 基于信号的处理和分析 | 第12页 |
| 1.3.2 基于状态估计的监测方法 | 第12-13页 |
| 1.3.3 神经网络的方法 | 第13-14页 |
| 1.4 主要研究内容 | 第14-15页 |
| 第2章 神经网络及其改进方法 | 第15-30页 |
| 2.1 神经网络概述 | 第15-17页 |
| 2.1.1 神经网络介绍 | 第15-16页 |
| 2.1.2 神经网络发展历史 | 第16-17页 |
| 2.2 基本BP神经网络原理 | 第17-20页 |
| 2.3 BP神经网络优缺点分析 | 第20-22页 |
| 2.4 BP神经网络的改进方法 | 第22-28页 |
| 2.4.1 GSA介绍 | 第22页 |
| 2.4.2 GSA基本原理 | 第22-25页 |
| 2.4.3 基于GSA改进的BP神经网络算法 | 第25-26页 |
| 2.4.4 GSA-BP算法效果验证 | 第26-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第3章 引风机异常状态分析 | 第30-39页 |
| 3.1 风机系统介绍 | 第30页 |
| 3.2 引风机系统介绍 | 第30-33页 |
| 3.2.1 引风机工作原理 | 第30-31页 |
| 3.2.2 引风机的选型 | 第31-32页 |
| 3.2.3 引风机常见运行问题 | 第32-33页 |
| 3.3 Vestore-SIS系统介绍 | 第33-35页 |
| 3.4 引风机的状态监测 | 第35-38页 |
| 3.4.1 引风机运行异常情况 | 第36-37页 |
| 3.4.2 引风机出力不足的原因分析 | 第37页 |
| 3.4.3 风机性能下降解决方案 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于GSA- BP的引风机性能监测 | 第39-52页 |
| 4.1 神经网络状态监测方法概述 | 第39-40页 |
| 4.2 预测模型的数据选取 | 第40-43页 |
| 4.2.1 特征参数选取 | 第40-41页 |
| 4.2.2 异常点剔除 | 第41页 |
| 4.2.3 归一化处理 | 第41-42页 |
| 4.2.4 数据采集 | 第42-43页 |
| 4.3 GSA-BP神经网络参数选择 | 第43-44页 |
| 4.3.1 GSA参数选取 | 第43页 |
| 4.3.2 神经网络参数选取 | 第43-44页 |
| 4.4 引风量预测 | 第44-46页 |
| 4.5 状态监测测试结果 | 第46-51页 |
| 4.5.1 仿真结果验证 | 第47-49页 |
| 4.5.2 移动平均法残差分析 | 第49-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 结论与展望 | 第52-54页 |
| 5.1 结论 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第59-60页 |
| 致谢 | 第60页 |
