| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-16页 |
| ·汽轮机组状态检测及故障诊断的意义 | 第10页 |
| ·汽轮机组状态检测和故障诊断的任务和目的 | 第10-11页 |
| ·汽轮机组状态检测与故障诊断的内容 | 第11-13页 |
| ·汽轮机组状态检测与故障诊断的过程 | 第11-12页 |
| ·汽轮机组状态检测与故障诊断的理论基础 | 第12-13页 |
| ·国内外的发展情况 | 第13-14页 |
| ·国外的发展情况 | 第13页 |
| ·国内的发展情况 | 第13-14页 |
| ·本文研究的主要内容 | 第14页 |
| ·本文的章节安排 | 第14-16页 |
| 2 汽轮机组振动故障的分析及故障特征的采集 | 第16-32页 |
| ·概述 | 第16页 |
| ·汽轮机组常见故障的诊断方法 | 第16-22页 |
| ·汽轮机组故障诊断的主要参数 | 第17-19页 |
| ·汽轮机组故障征兆的常用分析方法 | 第19-22页 |
| ·汽轮机组常见故障类型及征兆 | 第22-25页 |
| ·汽轮机组转子振动故障信号模拟 | 第25-31页 |
| ·本章小节 | 第31-32页 |
| 3 汽轮机组振动信号的分析 | 第32-63页 |
| ·振动信号概述 | 第32页 |
| ·基于时间序列自回归滑动平均(ARMA)模型的振动故障预测 | 第32-37页 |
| ·时间序列 ARMA模型 | 第32-33页 |
| ·时间序列平稳性处理及模型平稳性判定 | 第33-34页 |
| ·ARMA模型的识别 | 第34-35页 |
| ·ARMA模型自回归及滑动平均阶数的确定 | 第35页 |
| ·ARMA模型参数估计 | 第35-36页 |
| ·ARMA模型的汽轮机振动故障诊断与预测 | 第36-37页 |
| ·基于傅里叶变换的传统故障诊断分析 | 第37-41页 |
| ·傅里叶变换 | 第37-38页 |
| ·加窗傅里叶变换 | 第38页 |
| ·傅里叶时频变换特点 | 第38-40页 |
| ·傅里叶变换在汽轮机组故障诊断中的应用 | 第40-41页 |
| ·基于小波变换的振动信号处理 | 第41-58页 |
| ·小波分析的基本理论 | 第41-50页 |
| ·汽轮机组振动信号的小波消噪 | 第50-53页 |
| ·汽轮机组振动信号的奇异性检测 | 第53-57页 |
| ·汽轮机组振动信号的趋势检测 | 第57-58页 |
| ·基于独立分量分析的振动信号噪声分离 | 第58-62页 |
| ·独立分量分析的基本原理 | 第59-60页 |
| ·应用 ICA技术进行波形去噪 | 第60-62页 |
| ·本章小节 | 第62-63页 |
| 4 基于小波包变换的汽轮机组故障信号的特征提取 | 第63-75页 |
| ·故障特征提取依据 | 第63页 |
| ·汽轮机转子振动信号的特征提取 | 第63-74页 |
| ·本章小节 | 第74-75页 |
| 5 基于人工神经网络的汽轮机组故障诊断分析 | 第75-88页 |
| ·人工神经网络基本理论 | 第75-76页 |
| ·BP神经网络 | 第76-80页 |
| ·BP神经网络的结构 | 第76-77页 |
| ·BP网络的主要参数 | 第77-78页 |
| ·BP神经网络算法 | 第78-80页 |
| ·人工神经网络的应用 | 第80页 |
| ·BP神经网络在汽轮机组故障诊断中的应用 | 第80-87页 |
| ·本文 BP神经网络的设计与训练 | 第80-83页 |
| ·实际样本的检验 | 第83-84页 |
| ·结果分析 | 第84-87页 |
| ·本章小节 | 第87-88页 |
| 6 总结 | 第88-90页 |
| ·本论文主要完成的工作 | 第88页 |
| ·本课题存在的问题及展望 | 第88-90页 |
| 致谢 | 第90-91页 |
| 参考文献 | 第91-94页 |
| 攻读学位期间的研究成果 | 第94页 |