| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 汽轮发电机故障诊断研究现状及存在的问题 | 第11-12页 |
| 1.3 信息融合技术 | 第12-16页 |
| 1.3.1 信息融合的一般框架 | 第12-14页 |
| 1.3.2 信息融合的主要方法及在故障诊断中的应用 | 第14-16页 |
| 1.4 本文的主要工作 | 第16-17页 |
| 第二章 汽轮发电机常见故障机理和故障征兆分析 | 第17-35页 |
| 2.1 正常运行时的励磁磁动势分析 | 第17-19页 |
| 2.2 转子绕组匝间短路故障 | 第19-24页 |
| 2.2.1 转子匝间短路时励磁磁动势分析 | 第19页 |
| 2.2.2 转子匝间短路对定转子谐波电动势的影响 | 第19-22页 |
| 2.2.3 定转子振动特性的分析 | 第22-24页 |
| 2.3 定子绕组匝间短路故障 | 第24-27页 |
| 2.3.1 气隙磁场分析 | 第24-25页 |
| 2.3.2 定转子振动特性分析 | 第25-26页 |
| 2.3.3 定子绕组并联支路环流特性分析 | 第26-27页 |
| 2.4 气隙偏心故障 | 第27-31页 |
| 2.4.1 气隙偏心下的气隙磁密 | 第28页 |
| 2.4.2 定转子振动特性分析 | 第28-30页 |
| 2.4.3 定子绕组并联支路环流特性分析 | 第30-31页 |
| 2.5 实验设备及方案研究 | 第31-32页 |
| 2.6 实验结果分析 | 第32-34页 |
| 2.7 本章小节 | 第34-35页 |
| 第三章 汽轮发电机故障诊断方法的研究与应用 | 第35-50页 |
| 3.1 基于变尺度混沌聚类和特征融合的发电机故障诊断 | 第35-42页 |
| 3.1.1 核主元分析的原理 | 第35-36页 |
| 3.1.2 变尺度混沌聚类算法的原理 | 第36-38页 |
| 3.1.3 算法的实现 | 第38-39页 |
| 3.1.3.1 KPCA特征融合算法的实现步骤 | 第38-39页 |
| 3.1.3.2 MSCOA-FCM算法的实现步骤 | 第39页 |
| 3.1.4 实例验证及分析 | 第39-42页 |
| 3.2 改进粒子群加权聚类算法在发电机故障诊断中的应用 | 第42-49页 |
| 3.2.1 模拟退火改进的粒子群算法 | 第43-44页 |
| 3.2.2 基于样本相似度的特征加权方法 | 第44-45页 |
| 3.2.3 算法的实现过程 | 第45-46页 |
| 3.2.4 实例验证及分析 | 第46-49页 |
| 3.3 本章小结 | 第49-50页 |
| 第四章 汽轮发电机故障诊断的融合算法 | 第50-57页 |
| 4.1 D-S证据理论简介及基本概念 | 第50-51页 |
| 4.2 D-S证据理论存在的问题及解决的途径 | 第51-52页 |
| 4.3 改进的D-S证据理论算法 | 第52-55页 |
| 4.4 数值验证 | 第55-56页 |
| 4.5 证据决策规则的选取 | 第56页 |
| 4.6 本章小节 | 第56-57页 |
| 第五章 汽轮发电机分层故障诊断模型及方法研究 | 第57-67页 |
| 5.1 分层故障诊断模型的建立 | 第57-58页 |
| 5.2 发电机故障信息的获取和预处理 | 第58-60页 |
| 5.3 故障诊断算法及BPA的获取 | 第60-63页 |
| 5.3.1 基于KPCA变尺度混沌聚类算法的BPA获取 | 第60-62页 |
| 5.3.2 基于改进粒子群加权聚类算法的BPA获取 | 第62-63页 |
| 5.4 基于改进D-S证据理论的证据融合和诊断决策过程 | 第63-65页 |
| 5.5 诊断结果分析 | 第65-66页 |
| 5.6 本章小节 | 第66-67页 |
| 第六章 结论与展望 | 第67-69页 |
| 6.1 结论 | 第67页 |
| 6.2 展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 在学期间发表的学术论文 | 第73-74页 |
| 攻读硕士学位期间参加的科研情况 | 第74-75页 |
| 致谢 | 第75页 |
