基于大数据的汽轮机组状态监测
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 旋转机械状态监测技术研究现状 | 第8-11页 |
| 1.3 研究内容与技术路线 | 第11-12页 |
| 1.4 算法编译工具介绍 | 第12-13页 |
| 2 基于数据挖掘算法的多变量时间序列数据处理方法 | 第13-36页 |
| 2.1 关于时间序列数据去噪方法 | 第13-14页 |
| 2.2 基于离散小波包变换的信号处理技术 | 第14-25页 |
| 2.2.1 小波分析概述 | 第14-15页 |
| 2.2.2 小波基函数 | 第15-16页 |
| 2.2.3 连续小波变换 | 第16-17页 |
| 2.2.4 离散小波变换 | 第17-18页 |
| 2.2.5 小波基的选取 | 第18-19页 |
| 2.2.6 离散小波包变换 | 第19-24页 |
| 2.2.7 贝叶斯阈值法 | 第24-25页 |
| 2.3 基于贝叶斯理论的阈值去噪方法 | 第25-27页 |
| 2.3.1 贝叶斯阈值法 | 第25页 |
| 2.3.2 先验分布 | 第25-26页 |
| 2.3.3 后验分布 | 第26页 |
| 2.3.4 贝叶斯假设检验 | 第26-27页 |
| 2.4 基于概率主成分分析的数据特征提取方法研究 | 第27-33页 |
| 2.4.1 关于多变量数据的特征提取方法 | 第27-28页 |
| 2.4.2 主成分分析基本原理 | 第28-29页 |
| 2.4.3 主成分分析步骤 | 第29-31页 |
| 2.4.4 概率主成分分析 | 第31-33页 |
| 2.5 算法流程及实现 | 第33-34页 |
| 2.6 本章小结 | 第34-36页 |
| 3 基于信号处理算法的汽轮机组状态监测实例 | 第36-47页 |
| 3.1 数据整理与预处理 | 第36-39页 |
| 3.1.1 数据来源 | 第36-37页 |
| 3.1.2 离群值分析 | 第37-39页 |
| 3.1.3 数据规约 | 第39页 |
| 3.2 贝叶斯小波去噪 | 第39-41页 |
| 3.2.1 离散小波包变换 | 第39-40页 |
| 3.2.2 贝叶斯阈值去噪 | 第40-41页 |
| 3.3 概率主成分分析 | 第41-45页 |
| 3.3.1 标准主成分分析确定降低维数 | 第41-42页 |
| 3.3.2 概率主成分分析提取信号特征 | 第42-45页 |
| 3.4 本章小结 | 第45-47页 |
| 4 基于神经网络模型的汽轮机组状态数据预测 | 第47-66页 |
| 4.1 模糊神经网络模型简介 | 第47-53页 |
| 4.1.1 径向基函数神经网络 | 第48-51页 |
| 4.1.2 模糊c均值聚类 | 第51-53页 |
| 4.2 模糊神经网络模型的构建 | 第53-57页 |
| 4.2.1 神经网络结构设计 | 第53-56页 |
| 4.2.2 训练神经网络模型 | 第56-57页 |
| 4.3 算法流程及实现 | 第57-58页 |
| 4.4 模型实例应用 | 第58-64页 |
| 4.4.1 构建输入输出向量并训练模型 | 第58-62页 |
| 4.4.2 验证模型并进行模拟预测 | 第62-64页 |
| 4.5 本章小结 | 第64-66页 |
| 5 结论与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
