一、人工神经网络在汽轮机故障诊断中应用的研究（论文文献综述）
孙枫皓[1]（2021）在《基于TensorFlow的汽轮机转子振动分析》文中研究指明随着我国对汽轮发电机组需求量的增加,对汽轮机转子的故障诊断技术要求也更加严格,汽轮机转子长期处于高温高压的工作条件下,这导致汽轮机转子发生不对中、不平衡以及碰磨故障的概率大于其他旋转机械,这些故障如不及时诊断排除,会引起轴系损伤等次生故障,威胁整个发电机组的生产安全。传统的汽轮机故障诊断方法能够检测机组振动大故障并能及时停机来防止发生重大安全事故,但是在故障诊断方面往往需要人工提取转子的故障特征,然后通过故障特征进行诊断,这种方法需要大量的技术人员操作,然而相关技术人员培养缓慢且成本极高,发电厂现场维护人员往往缺乏相关知识储备,无法对故障进行及时诊断,造成不必要的经济损失。因此,本文使用TensorFlow深度学习模型搭建一种改进型卷积神经网络（CNN）,该方法能够自动提取转子故障信号特征并进行故障诊断,减少对人力的依赖;在此基础上使用该算法与最大均差算法（MMD）进行融合,解决了在数据不足状态下卷积神经网络对汽轮机变工况故障诊断准确率低的问题。本文主要工作内容如下:（1）使用东北电力大学汽轮机转子模拟平台对汽轮机转子故障进行模拟,获取转子正常工作、转子不平衡、转子不对中和动静碰磨4个状态的振动数据,其中每种故障状态又按实验模拟的故障程度分为轻度、中度、重度3个类型,首先根据数据故障类型和故障程度对数据加载数字标签,然后使用重叠算法对数据进行扩容处理,接着对得到的数据进行归一化处理,最后将数据随机分类为训练集和测试集。（2）通过更改传统卷积神经网络的卷积核形状和长度,使网络适用于处理一维数据,使其能充分发挥卷积神经网络的泛化性和鲁棒性等优点,克服了传统卷积神经网络对一维数据处理能力的不足。通过收集到的汽轮机模拟数据,对改进的卷积神经网络参数进行寻优,寻优参数包括:卷积核长度、网络层数和批处理次数等。网络的泛化性测试结果和准确率证明了该网络的可用性。（3）使用了一种基于最大均差算法与一维卷积神经网络相结合的故障诊断算法,引入迁移学习的方法,解决了在不同工况下汽轮机转子故障诊断准确率不高的问题。首先,搭建算法的模型,其中卷积神经网络部分的参数直接迁移已训练完成的参数模型,以一个转子模拟平台数据为源域,另一个转子平台数据作为目标域,以源域对应的卷积网络的损耗和最大均差算法之和作为网络训练的总目标。测试结果证明了该方法适用于不同工况下的汽轮机转子故障诊断。
杨静[2]（2020）在《旋转机械早期故障诊断关键技术研究》文中研究说明旋转机械是航空航天、电力、交通、石油化工和国防工业等领域广泛使用的关键设备,其作业环境恶劣、作业条件复杂,在长期作业过程中,机械性能不断退化,故障频发。一旦出现故障,不仅严重制约企业的生产效率、降低产品质量、影响企业的市场竞争力,使企业蒙受巨大经济损失,甚至造成无法弥补的人员伤亡。通过振动监测可以获得大量含有设备运行信息的数据和参数图形,如频谱图、三维谱图、阶比图等。如何利用振动数据和参数图形及时准确地提取表征设备健康状态的信息,从而发现设备异常并确定故障的严重程度,对提高旋转机械运行的可靠性和稳定性具有重要意义。目前的研究主要针对特征明显、数据无关联关系、样本平衡且信息完整的故障诊断问题,这些研究成果能够提取故障特征并准确判定故障类型。但随着维修模式从被动向主动方向发展,故障诊断技术的智能化和实用化程度要求不断提高,诊断方法需要能够自适应地及时发现实际工业系统中设备的早期故障,为设备后期维护提供可靠依据,而现有研究成果难以满足要求。因此,为了解决以上问题,并考虑到早期故障具有特征微弱、特征信息耦合和不完备等特点,开展旋转机械早期故障诊断关键技术研究工作,具有重要的学术意义和工程应用价值。本论文开展的研究工作主要包括以下几个方面。（1）基于振动信号分析的旋转机械早期故障诊断方法研究旋转机械在运行过程中会产生含有多种频率成分的周期性振动信号,这些信号通常分为两类:1)仅与旋转部件本身弹性有关的振动;2)反映旋转部件损伤情况的振动。因此,基于振动信号分析可以有效地实现旋转机械故障诊断。然而,由于工业过程的复杂性和作业环境的恶劣性,旋转机械产生的振动信号通常是非平稳、非线性且含有强背景噪声。直接利用原始振动信号难以挖掘出隐含在其中的早期微弱故障特征。考虑到深度自编码器具备自动提取特征的优良性能,本论文提出了一种基于改进深度稀疏自编码器网络的故障诊断方法,以99%以上的平均识别准确度实现对旋转机械（无论加载与否）早期故障模式识别和严重程度确定。（2）数据相关条件下的旋转机械复合故障诊断方法研究现代旋转机械的组成单元之间相互关联且相互影响,整个设备系统具有强烈的不确定性和非线性特征;表征设备运行模态的参数种类繁多、高维稀疏、不易量化且难以区分。导致监测系统获取的反映系统运行机理和状态参数的数据具有海量性和相关性,使得早期复合故障普遍存在于各类旋转机械中。然而,现有的针对单一设备、子系统和子单元的故障诊断方法难以发现组成单元之间的关联关系,从而导致对复合故障的误诊率和漏诊率非常高。因此,本论文通过对关联数据进行分析与处理,并考虑到深度稀疏自编码器自适应提取特征和数据降维的性能,提出了一种基于相关分析和改进稀疏自编码器网络的故障诊断方法,以99.4%以上的平均诊断准确度实现加载旋转机械早期复合故障诊断。（3）数据非完备条件下的旋转机械故障诊断方法研究目前,旋转机械故障诊断方法的设计大都基于类分布大致平衡和获取的数据完整这一假设,通常假定用于训练的设备的各类健康状态样本数量大致相等,并且构成样本的数据没有缺失。事实上,由监测系统获取的大部分都是正常状态数据,只有极少量故障状态数据。此外,受传感器故障、通信线路以及人为因素等影响,实际采集的信号可能是不完整的,从而造成隐含在信号中的信息丢失。以上数据非完备普遍存在的现状极大地影响了故障诊断方法的有效性和准确性。因此,本论文在设计变尺度重采样策略和多水平去噪策略的基础上,提出了一种基于集成融合自编码器网络的故障诊断方法,以99.69%以上的平均诊断准确度实现数据不平衡和数据局部缺失条件下的旋转机械故障诊断。（4）基于振动双谱图识别的旋转机械早期故障诊断方法研究旋转机械早期故障的特征信号非常微弱且具有稀疏性,背景噪声的幅值远大于特征信号且几乎分布在整个频带范围内,信噪比很低。相比一维振动数据,具有强去噪能力的双谱图中包含设备运行状态的信息量更丰富。因此,考虑到双谱图和增强型超分辨率生成对抗网络（Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN）的优良性能,本论文首先基于双谱分析技术获取旋转机械的振动双谱图,并将其转换为存储需求更小的二维灰度图;然后,基于ESRGAN设计超分辨率重建策略,对灰度图进行清晰化处理,提高图像的分辨率。在此基础上,提出了适用于振动双谱图识别的改进卷积神经网络（Convolutional Neural Network,CNN）分类模型,以99.99%和100%的平均识别准确度分别检测出不同型号滚动轴承早期故障信号。以更加直观、更易被操作人员理解的可视化方式,实现旋转机械早期故障诊断。
于凯[3]（2020）在《汽轮发电机组状态监测与故障诊断方法研究》文中研究说明进入本世纪以来,随着我国能源结构不断调整,新能源装机容量逐年提升,未来大容量火电机组的运行工况将更为复杂。汽轮发电机组作为燃煤火力发电厂重要设备之一,其安全、可靠运行不仅关系到发电厂能否正常向电网输送电能,更关系到电网有功、无功的平衡以及电力系统的稳定。因此,加强对汽轮发电机组故障的在线监测与诊断就显得尤为重要。本文以作者长期在火力发电厂的工作经验为基础,结合工程实际案例对汽轮发电机组状态监测及故障诊断方法进行了深入研究。（1）在分析汽轮机原理的基础上给出了汽轮机几种典型振动故障的时域波形图和频谱分析图并研究了不同故障产生的原因及其对应的频率特征,为后续以振动信号为基础的汽轮机常见故障的在线监测与诊断奠定基础。（2）重点研究了发电机转子绕组匝间短路故障、定子绕组绝缘故障,总结了产生上述故障的原因和检测方法,并结合作者本人的工作经历对工程实际当中转子匝间短路故障的检测全过程进行了详细分析。（3）以汽轮机转子多传感器振动信号监测为基础,开展了汽轮机故障模式识别方法的研究。针对局部均值分解（Local Mean Decomposition,LMD）方法中依旧存在一定程度的模态混叠和端点效应,提出采用自适应互补LMD方法对汽轮机振动故障信号进行分解并提取乘积函数能量熵作为特征量,采用遗传算法优化后的BP神经网络对汽轮机振动故障进行模式识别。通过LabView与MATLAB联合设计了基于振动信号的汽轮机状态监测与故障诊断系统,结合系统的工程应用情况及检修案例,验证了系统的可行性与有效性。（4）从工程实际当中的第一手资料入手,结合本单位机组两次大修经历,从技术和经济两个角度对600MW火力发电机组预防性维修状况进行深入量化分析;从状态监测具体内容对故障诊断的准确性、灵敏度及其经济性等多个方面,探讨开展状态维修的可行性,以及在现有技术水平、制度规定条件下开展汽轮发电机组状态维修可实现的内容。论文有图51幅,表27张,参考文献76篇。
周磊[4]（2016）在《基于智能算法的汽轮机通流部分故障诊断研究》文中研究指明现在大部分火电厂的汽轮机都具有高参数和大容量的特点,但在运行时也容易引起汽轮机通流部分发生故障,所以为了保证机组的安全与经济运行,对其进行故障的监测与诊断很有必要。本文通过对SOM神经网络、BP神经网络、模糊理论、粗糙集理论、以及支持向量机等智能方法的分析,并结合各种理论技术的优势,对汽轮机通流部分故障诊断做了一些研究,主要完成了以下几方面的工作:（1）在国内外汽轮机通流部分故障诊断研究的基础上,分析了其故障诊断机理,对故障产生的原因、预防措施及其影响进行了概括,总结了汽轮机通流部分的常见故障与故障征兆之间的关系,建立了通流部分故障诊断知识库。（2）由于汽轮机通流部分故障的复杂性,故障之间耦合性强,故障征兆之间也存在模糊性,引入模糊理论的概念,建立了模糊SOM神经网络和SOM-BP复合神经网络模型,进行了汽轮机通流部分故障诊断。（3）针对故障数据存在冗余信息的特点,利用粗糙集理论中属性约简的概念对汽轮机通流部分结垢数据进行预处理,并采用支持向量机分类的方法,对调节阀门结垢、调节级结垢、高压缸级组结垢、低压缸级组结垢故障进行了诊断。
郭建[5]（2014）在《基于BP神经网络的汽轮机故障诊断系统研究》文中指出汽轮机是结构复杂的大型旋转机械设备，汽轮机的运行环境通常比较复杂，在运行状态下经常出现不可预知的故障。出现故障时，应可以及时确定故障类型，避免产生进一步的危害。本课题的研究目的是开发一个汽轮机实时振动监测，具有数据采集和实时显示模块、数据库模块、数据分析模块、历史数据模块、故障诊断模块的系统。小波分析技术可以对信号在时域和频域同时分析，和传统的信号分析技术相比，具有明显的优点。在研究小波分析技术的基础上，发现故障信号特征和故障类型之间有确定的映射关系。为了使故障特征和故障类型建立数学关系，故障特征必须解析化处理。利用小波包对信号分解构建特征向量可以故障特征的解析化。BP神经网络具有很强的非线性映射能力，可以实现特征向量和故障类型的数学映射。小波包提取的特征向量作为网络输入，故障类型作为网络的输出。对神经网络的输入层、中间层、输出层、目标精度等了进行了设计，对传统BP算法的基础上进行了改进，通过比较几种改进BP算法完成学习训练需要的迭代步长和迭代时间，确定最优算法。最优神经网络进行学习训练，得到一个满足精度要求的神经网络，实现了特征向量和故障类型的非线性映射。根据要求设计软件和硬件。硬件系统以NI PXI工控机、传感器、动态数据采集板卡为核心。软件系统采用LabVIEW和MATLAB联合编程。数据采集和实时显示模块、数据库模块、数据分析模块、历史数据模块、系统报警模块利用LabVIEW编程实现，故障诊断模块功能通过LabVIEW中的MATLAB Script节点将将BP神经网络嵌入到系统框架实现。在汽轮机运行现场对硬件系统和软件系统进行一段时间的实验测试，实验测试表明，汽轮机实时监测时系统运行稳定，可以实现在线监测功能，可以对异常数据进行故障诊断，能满足汽轮机的运行要求。
董晓峰[6]（2012）在《基于RCM分析的智能化汽轮机组故障诊断系统研究》文中研究指明故障诊断在汽轮机组状态维修中具有重要的地位,故障诊断系统应该作为状态维修决策支持系统的一部分,为维修决策提供技术支持,如何将RCM（）分析结果应用到故障诊断过程中,使故障诊断为状态维修提供更有价值的信息；如何将不断发展的智能故障诊断技术应用于汽轮机组故障诊断,以提高汽轮机组故障诊断的准确性和可靠性,都是需要进一步研究的问题。对汽轮机组振动故障和通流部分故障进行RCM分析,充分了解这些故障产生的原因,造成的影响,需要采取的故障处理措施,故障发生时都有哪些故障特征以及如何进行监测以获取这些故障特征。应用RCM分析结果,建立故障诊断模型和故障诊断流程,应用故障诊断流程调用故障诊断模型对故障进行诊断,得到故障的故障模式、故障原因、故障位置、故障影响和故障处理措施等诊断结论,形成故障诊断报告,为维修决策提供技术支持。应用故障特征对故障模式进行聚类分析,形成故障模式类,从而可以在故障模式类层次区分开属于不同性质的故障模式,解决类间的识别问题,进而缩小故障诊断的识别范围。在故障模式类中使用粗糙集方法从故障特征中提取对故障诊断有贡献的故障特征,排除冗余的故障特征,减少冗余故障特征对故障识别的干扰,优化故障诊断规则。在诊断推理过程中,需要给诊断规则中的前提条件赋予相应的权重,由专家凭经验给出权重的方法因其具有一定的主观性而影响了权重对客观实际的反映,从而增加了诊断结果的不确定性,应用粗糙集理论中知识依赖度得到的权重,克服了主观分配权重存在的不足,使权重分配结果更符合客观实际。应用统计分析方法来求取故障监测参数的正常工作范围,结合运行规程的规定确定故障监测参数各段工作范围的隶属度,选择合适的函数作为故障征兆的隶属度函数。计算多个工况下汽轮机通流部分故障监测参数的正常工作范围,运用曲线拟合得到工况与故障监测参数正常工作范围的映射,解决了变工况下故障征兆隶属度函数的自动获取问题。以现场应用为目的,利用最新的软、硬件技术,参与设计并开发适用于状态维修要求的智能化汽轮机组故障诊断系统。
王玉庆[7]（2012）在《基于证据理论的大型汽轮机组故障诊断方法研究》文中进行了进一步梳理神经网络具有良好的非线性映射能力,而D-S证据理论在表达不确定性方面具有独特的优势,两种方法均在故障诊断领域得到了广泛的应用。本文基于BP神经网络、Elman神经网络和D-S证据理论,提出一种神经网络和D-S证据理论进行融合的方法。该方法使用D-S证据理论将BP神经网络和Elman神经网络的输出数据进行信息融合后对汽轮机组的故障类型进行判断。利用该方法,可以充分利用汽轮机组的故障征兆信息,减少故障诊断的不确定性。本文从汽轮机组故障诊断实际出发,阐述了开展汽轮机组故障诊断研究的重要意义与目的,简要介绍了汽轮机组故障诊断技术的国内外发展现状以及目前应用于汽轮机组故障诊断的常用方法,系统地分析归纳了汽轮机组振动的机理、主要故障及其故障征兆、故障特征提取技术。针对一种神经网络对汽轮机组进行故障诊断时诊断结果不确定性较高,本文利用网络分块技术对汽轮机组进行故障诊断,在讨论了BP网络和Elman网络基本原理的基础上,利用汽轮机组振动特征频谱归一化后的数据作为训练样本对BP网络和Elman网络进行训练,将其输出转变为信任度后作为D-S证据理的证据。然后采用D-S证据理论融合各子网络的诊断结果,从而得到最终诊断结论。用MATLAB R2009b作为仿真平台,对神经网络和D-S证据理论相结合的故障诊断方法进行了仿真,将仿真结果与仅使用BP网络或Elman网络进行对比,可以验证本文提出的故障诊断方法有效降低了故障诊断的不确定性。最后对全文的主要工作进行了总结,指出了研究的不足和今后进一步研究的方向。
黄保海[8]（2012）在《基于分解—集成的汽轮发电机组故障诊断方法研究》文中研究说明随着汽轮发电机组容量的不断增大和设备自动化程度的不断提高,为保障汽轮发电机组在高速、满载、连续状态下可靠运转,对在线故障监测与诊断技术提出了更高的要求。Hilbert-Huang变换和神经网络集成技术为解决日益复杂条件下的汽轮机故障诊断问题提供了有效的方法和途径。本文围绕Hilbert-Huang变换和神经网络集成学习的几个关键技术问题,展开了以下研究：（1）对基于Hilbert-Huang变换的故障诊断进行了研究和应用。针对传统汽轮机故障诊断方法的局限性,提山以EMD自适应分频方法结合频谱分析研究汽轮机振动信号的特性,并且根据IMF分量的物理意义明确振动信号的组成成分,最后通过绘制时间-频率图得到故障的特征频率,根据故障特征频率即可诊断出汽轮机出现的故障类型。（2）将基十核方法的特征提取技术应用于汽轮机故障诊断中。洋细介绍核方法的基本原理,说明为了进一步提高汽轮机故障诊断的正确率,核特征提取技术是十分有效和必要的。根据汽轮机故障数据的特点,重点介绍了核主元分析和核独立分量分析两种有效的非线性特征提取方法,并将其和实际问题结合起来。（3）提出了一种基于核主元分析和模糊核聚类集成的汽轮机故障诊断方法。该方法首先采用核主元分析对汽轮机故障数据进行特征提取,可降低数据维数,提高神经网络学习的效率和精确度,然后采用模糊核聚类算法对相互独立训练出的神经网络个体进行分类,最后取平均泛化误差最小的神经网络个体作为这一类的代表进行集成。与其他方法相比,该方法具有更高的精确度和稳定性。（4）提出了一种基于核独立分量分析和动态选择性神经网络集成的汽轮机故障诊断方法。该方法首先利用核独立分量分析方法,消除了数据的高阶相关性,去除了冗余特征,因此得到的分类器具有很强的泛化能力。然后采用动态选择性集成方法,根据不同的测试样本,随时利用所有训练好的神经网络,从中动态性地选择适合于该样本的神经网络集成,体现了“具体问题具体分析”的思想。（5）提出了一种基于优化神经网络集成的汽轮机故障诊断方法。该方法从提高神经网络集成中成员网络的精确度和降低成员网络之间的相关程度两方面考虑,并且将Bagging与Boosting方法相结合,提出一种动态确定集成个体神经网络权重的方法。汽轮发电机组故障分类的实验结果表明了该方法的可行性。
余熳烨[9]（2011）在《基于Matlab的某电厂汽轮机振动故障诊断系统的研究》文中研究说明汽轮机组是电力工业中重大的关键设备。汽轮机组运行的可靠性,在很大程度上是由机组的振动状态所决定的。过大的振动则说明机组存在着缺陷,在振动力的作用下,会造成机组各部件之间的连接松动,会削弱气缸、轴承座与基座等之间的连接刚度,而刚度的降低反过来会加剧机组的振动。振动加剧,又会使转动部件和静止部件摩擦或咬合从而导致机组严重损坏而被迫停机。振动也可能造成周围设备及建筑物发生共振而受到损坏。因此及时地找出发生振动的原因,采取必要的措施,降低振动水平是汽轮发电机组安全运行的关键。本文以某电厂的汽轮机组的振动故障诊断为工程背景,研究了汽轮机的常见故障,主要针对振动信号的分析处理方法、小波包能量法提取特征向量及神经网络技术在汽轮机振动故障诊断中的应用,展开深入的研究,并利用Matlab软件搭建汽轮机振动故障诊断系统。首先针对汽轮机组的振动信号处理,对傅里叶变换以及小波分析的方法进行了探讨。利用傅里叶变换具有直观明确的特点对信号作频谱分析,再利用小波阈值去噪方法实现了对实际信号的去噪,并保留有用的振动信息。其次,本文对基于小波包频带分析技术提取故障特征向量的方法进行了研究,通过频带能量法提取了汽轮机振动故障信息的特征向量,为保证神经网络正确进行故障诊断奠定了良好的基础。最后,故障的模式识别是汽轮机的故障诊断的核心技术。本文基于神经网络技术,通过小波和人工神经网络的结合,充分利用了人工神经网络的强大的非线性映射能力,组成一种完整的汽轮机故障分类器。最后,通过Matlab软件搭建系统,整合本文研究的振动信号分析与处理方法、基于小波神经网络故障诊断方法,设计了一个汽轮机振动故障诊断系统,实现了汽轮机振动信号的分析处理以及故障的自动识别。该系统在该电厂汽轮机的实测信号验证中取得了良好的效果。
王宇杰[10]（2011）在《基于神经网络的汽轮机轴系振动故障诊断研究》文中进行了进一步梳理随着现代化生产的高速发展,汽轮机作为电力工业的主要设备,也向着大型化、高容量化的的方向发展,为了提高生产效率、保证设备的安全运行,对汽轮机设备的运行状况监测和故障诊断变得越来越重要。而传统的汽轮机故障诊断需要有经验的工作人员来进行,并且汽轮机轴系故障的多样性和多因素的不确定性使得故障诊断过程十分复杂。因此,故障诊断技术正慢慢的走向智能化。人工神经网络是进行分布式并行信息处理的算法数学模型,其具有自学能力和联想存储能力、高速寻找优化解的能力、非线性处理问题能力能够有效的提高故障诊断的准确率,因此将神经网络应用到汽轮机的故障诊断当中有着十分重要的经济和社会意义。本文从介绍故障诊断的基本概念入手,分析现有的汽轮机轴系振动故障诊断方法,发现这些方法存在的不足。通过对神经网络的研究表明,神经网络在概念和处理方法上都很适合汽轮机轴系振动故障诊断的要求,研究与设计基于神经网络的故障诊断系统,将具有重要的理论与实用意义。并对神经网络理论中的BP算法及其改进算法的推演和相关知识进行了描述。在此基础上,本论文在汽轮机轴系振动故障诊断中引入神经网络技术,研究如何将神经网络成功应用于汽轮机的故障诊断,并设计了一个基于神经网络的汽轮机轴系振动故障诊断系统的模型,阐述了该模型的设计思想、模型原理图。本论文针对BP网络收敛速度慢,神经元隐层节点不易确定和局部极小值等不足提出了改进方法。通过Matlab仿真软件完成了故障诊断模型的实现。并将测试样本输入到建立的BP神经网络模型中进行检验。检验结果表明,改进后的BP神经网络模型无论是数值的精度还是准确度都比改进前有较大的提高。改进后的BP人工神经网络模型达到了故障诊断的目的。说明将人工神经网络的方法应用于汽轮机轴系故障诊断领域是可行的。
二、人工神经网络在汽轮机故障诊断中应用的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、人工神经网络在汽轮机故障诊断中应用的研究（论文提纲范文）
（1）基于TensorFlow的汽轮机转子振动分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外进展及现状 |
| 1.2.1 汽轮机传统故障诊断方法 |
| 1.2.2 智能故障诊断研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 基于Tensorflow的故障诊断网络构架 |
| 2.1 引言 |
| 2.2 深度学习框架Tensorflow |
| 2.3 卷积神经网络的结构 |
| 2.3.1 卷积滤波器 |
| 2.3.2 池化层 |
| 2.3.3 全连接层 |
| 2.3.4 数据标签与损失函数 |
| 2.3.5 激活函数 |
| 2.4 典型的卷积神经网络模型 |
| 2.5 深度卷积神经网络构建与训练 |
| 2.6 本章小结 |
| 第3章 汽轮机转子故障模拟实验 |
| 3.1 转子的故障机理研究 |
| 3.1.1 转子不平衡 |
| 3.1.2 转子不对中 |
| 3.1.3 动静碰磨 |
| 3.2 汽轮机转子故障模拟实验台介绍 |
| 3.2.1 汽轮机转子模拟试验台简介 |
| 3.2.2 转子试验台整体布置 |
| 3.3 转子试验台故障模拟方案 |
| 3.3.1 转子正常运行模拟试验 |
| 3.3.2 转子不平衡故障模拟试验 |
| 3.3.3 转子不对中故障模拟试验 |
| 3.3.4 转子动静碰磨故障模拟试验 |
| 3.4 数据采集方案 |
| 3.5 本章小结 |
| 第4章 基于1D-CNN的转子振动故障诊断算法 |
| 4.1 引言 |
| 4.2 故障诊断模型的建立 |
| 4.2.1 前向传播过程 |
| 4.2.2 后向传播过程 |
| 4.3 改进型卷积神经网络参数寻优 |
| 4.3.1 实验数据预处理 |
| 4.3.2 转子振动故障的网络训练 |
| 4.4 振动信号特征分析 |
| 4.5 网络泛化性测试 |
| 4.6 故障算法比较 |
| 4.7 本章小结 |
| 第5章 基于MMD与1D-CNN的变工况转子故障诊断算法 |
| 5.1 引言 |
| 5.2 汽轮机变工况下运行分析 |
| 5.2.1 汽轮机转子变工况分析 |
| 5.2.2 变工况故障诊断难点分析 |
| 5.3 迁移学习简介 |
| 5.3.1 领域自适应算法 |
| 5.3.2 特征自适应算法 |
| 5.4 实验验证 |
| 5.4.1 实验数据说明 |
| 5.4.2 融合算法的网络构造 |
| 5.4.3 实验安排 |
| 5.4.4 实验结果与分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（2）旋转机械早期故障诊断关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 旋转机械故障诊断概述 |
| 1.2.1 旋转机械故障诊断基本方法 |
| 1.2.2 旋转机械故障诊断技术研究现状 |
| 1.2.3 旋转机械振动故障诊断 |
| 1.3 旋转机械早期故障诊断的关键问题 |
| 1.3.1 旋转机械早期故障诊断概述 |
| 1.3.2 早期故障诊断的关键问题 |
| 1.4 本文研究工作 |
| 1.4.1 论文研究内容与创新点 |
| 1.4.2 论文总体框架 |
| 2 旋转机械故障诊断基本理论 |
| 2.1 引言 |
| 2.2 滚动轴承振动故障机理 |
| 2.3 滚动轴承故障特征 |
| 2.4 本章小结 |
| 3 基于振动信号分析的旋转机械早期故障诊断方法 |
| 3.1 引言 |
| 3.2 基于振动信号分析的旋转机械早期故障诊断算法原理 |
| 3.2.1 稀疏自编码器的基本原理 |
| 3.2.2 L-BFGS优化算法的基本原理 |
| 3.2.3 基于改进稀疏自编码器的早期故障诊断算法 |
| 3.3 诊断算法的流程 |
| 3.4 实验验证与分析 |
| 3.4.1 滚动轴承试验台简介 |
| 3.4.2 故障诊断与结果分析 |
| 3.4.3 对比实验及分析 |
| 3.5 本章小结 |
| 4 数据相关条件下的旋转机械复合故障诊断方法 |
| 4.1 引言 |
| 4.2 数据相关条件下的旋转机械复合故障诊断算法原理 |
| 4.2.1 复合故障及其特征分析 |
| 4.2.2 复合故障诊断模型 |
| 4.2.3 数据相关度评估准则 |
| 4.3 诊断算法的流程 |
| 4.4 实验验证与分析 |
| 4.4.1 滚动轴承试验台简介 |
| 4.4.2 故障诊断与结果分析 |
| 4.4.3 对比实验及分析 |
| 4.5 本章小结 |
| 5 数据非完备条件下的旋转机械故障诊断方法 |
| 5.1 引言 |
| 5.2 数据非完备条件下的旋转机械故障诊断算法原理 |
| 5.2.1 理论基础 |
| 5.2.2 数据非完备特征分析 |
| 5.2.3 基于EFAE模型的故障诊断算法 |
| 5.3 诊断算法的流程 |
| 5.4 实验验证与分析 |
| 5.4.1 故障诊断与结果分析 |
| 5.4.2 对比实验及分析 |
| 5.5 本章小结 |
| 6 基于振动双谱图识别的旋转机械早期故障诊断方法 |
| 6.1 引言 |
| 6.2 基于振动双谱图识别的旋转机械早期故障诊断算法原理 |
| 6.2.1 双谱分析的基本原理 |
| 6.2.2 ESRGAN的基本原理 |
| 6.2.3 图像转换与清晰化技术 |
| 6.2.4 卷积神经网络基本理论 |
| 6.2.5 故障诊断模型设计 |
| 6.3 诊断算法的流程 |
| 6.4 实验验证与分析 |
| 6.4.1 6203 型滚动轴承简介 |
| 6.4.2 6203 型滚动轴承诊断样本集描述及网络配置 |
| 6.4.3 6203 型滚动轴承故障诊断与结果分析 |
| 6.4.4 LDK UER204 滚动轴承简介 |
| 6.4.5 LDK UER204 滚动轴承诊断样本集描述及网络配置 |
| 6.4.6 LDK UER204 滚动轴承故障诊断与结果分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文和发明专利 |
| 攻读博士学位期间获得资助和参加的主要科研项目 |
（3）汽轮发电机组状态监测与故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 汽轮发电机组轴系结构 |
| 1.3 汽轮发电机组故障诊断技术研究现状 |
| 1.4 本文研究内容 |
| 2 汽轮机典型故障分析 |
| 2.1 汽轮机常见故障分类 |
| 2.2 转子不平衡故障 |
| 2.3 转子不对中故障 |
| 2.4 轴承座松动故障 |
| 2.5 油膜振荡故障 |
| 2.6 转子裂纹故障 |
| 2.7 本章小结 |
| 3 发电机典型故障分析 |
| 3.1 发电机常见故障类型 |
| 3.2 转子绕组匝间短路故障 |
| 3.3 静偏心故障 |
| 3.4 定子绕组绝缘故障 |
| 3.5 发电机故障诊断方法 |
| 3.6 故障案例分析 |
| 3.7 本章小结 |
| 4 基于自适应互补LMD方法的汽轮机振动故障分析 |
| 4.1 局部均值分解理论 |
| 4.2 基于ACLMD的汽轮机振动信号分解 |
| 4.3 基于乘积函数能量熵的特征提取 |
| 4.4 基于GA优化BP神经网络的汽轮机故障诊断实现 |
| 4.5 振动故障监测系统设计 |
| 4.6 本章小结 |
| 5 发电机组状态检修方式探讨 |
| 5.1 常见的发电机组检修模式 |
| 5.2 计划性检修模式的综合分析和评价 |
| 5.3 状态检修方式的探讨 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）基于智能算法的汽轮机通流部分故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 本课题国内外的研究动态 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 汽轮机通流部分故障诊断常用方法及特点 |
| 1.3 本文研究的主要内容 |
| 第2章 汽轮机通流部分故障分析 |
| 2.1 诊断对象概述 |
| 2.2 汽轮机通流部分故障种类 |
| 2.3 汽轮机通流部分故障分析 |
| 2.3.1 结垢、腐蚀故障 |
| 2.3.2 磨损故障 |
| 2.3.3 调节汽门门杆断裂或门芯脱落故障 |
| 2.3.4 主汽门卡涩故障 |
| 2.3.5 叶片断裂、损坏故障 |
| 2.4 本章小结 |
| 第3章 基于模糊SOM神经网络的汽轮机通流部分故障诊断 |
| 3.1 SOM神经网络 |
| 3.1.1 SOM神经网络概述 |
| 3.1.2 SOM神经网络结构 |
| 3.1.3 SOM神经网络学习算法 |
| 3.2 模糊集和隶属函数 |
| 3.2.1 模糊集合的基本概念 |
| 3.2.2 模糊集合的隶属度函数 |
| 3.3 模糊系统与神经网络的结合 |
| 3.3.1 模糊系统与神经网络各自特点 |
| 3.3.2 模糊系统与神经网络结合的可能性 |
| 3.4 故障征兆参数的模糊隶属度函数 |
| 3.5 汽轮机通流部分故障样本的建立 |
| 3.5.1 汽轮机通流部分故障与故障征兆的选取 |
| 3.5.2 汽轮机通流部分故障特征向量的选取 |
| 3.6 基于模糊SOM神经网络的汽轮机通流部分故障诊断 |
| 3.6.1 模糊SOM神经网络的学习 |
| 3.6.2 通流部分故障诊断案例验证 |
| 3.7 复合SOM-BP神经网络 |
| 3.8 基于复合SOM-BP神经网络的汽轮机通流部分故障诊断 |
| 3.8.1 复合SOM-BP神经网络的学习 |
| 3.8.2 通流部分故障诊断案例验证 |
| 3.9 本章小结 |
| 第4章 基于模糊粗糙集和支持向量机的汽轮机通流部分故障诊断 |
| 4.1 支持向量机 |
| 4.1.1 支持向量机概述 |
| 4.1.2 支持向量机的核函数 |
| 4.1.3 多分类支持向量机 |
| 4.2 粗糙集理论 |
| 4.2.1 粗糙集定义 |
| 4.2.2 知识的约简和核 |
| 4.2.3 属性的依赖度 |
| 4.2.4 属性的重要性 |
| 4.2.5 离散化处理 |
| 4.2.6 基于粗糙集理论的故障诊断方法 |
| 4.3 基于模糊RS和SVM的汽轮机通流部分结垢故障诊断 |
| 4.3.1 RS与SVM方法融合的优势 |
| 4.3.2 基于RS与SVM的故障诊断流程 |
| 4.3.3 通流部分结垢故障诊断案例验证 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（5）基于BP神经网络的汽轮机故障诊断系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的提出及意义 |
| 1.2 国内外汽轮机故障诊断研究现状 |
| 1.2.1 国外汽轮机故障诊断研究现状 |
| 1.2.2 国内汽轮机故障诊断研究现状 |
| 1.2.3 汽轮机故障诊断技术的发展趋势 |
| 1.3 振动信号采集和处理技术的发展和研究现状 |
| 1.4 基于神经网络的故障诊断技术 |
| 1.5 论文的主要内容 |
| 第二章 汽轮机常见典型故障和分析方法 |
| 2.1 引言 |
| 2.2 汽轮机常见故障 |
| 2.2.1 转子质量不平衡 |
| 2.2.2 转子不对中 |
| 2.2.3 动静碰磨 |
| 2.2.4 油膜涡动与油膜振荡 |
| 2.3 故障的基本分析方法 |
| 2.3.1 时域分析 |
| 2.3.2 频域分析 |
| 2.3.3 时频分析 |
| 2.4 本章小结 |
| 第三章 基于小波分析的故障特征值的提取 |
| 3.1 引言 |
| 3.2 连续小波 |
| 3.3 离散小波 |
| 3.4 多分辨率分析和正交小波 |
| 3.5 小波包分解 |
| 3.6 基于小波分析的信号处理 |
| 3.6.1 小波去噪 |
| 3.6.2 小波包频带分析技术 |
| 3.7 小波包分解在故障特征值提取中的应用 |
| 3.8 本章小结 |
| 第四章 神经网络在汽轮机故障诊断中的应用 |
| 4.1 引言 |
| 4.2 神经网络概述 |
| 4.2.1 生物神经网络 |
| 4.2.2 人工神经网络 |
| 4.3 BP 神经网络 |
| 4.3.1 BP 神经网络模型 |
| 4.3.2 BP 学习算法 |
| 4.4 BP 神经网络的设计 |
| 4.4.1 输入层和输出层的设计 |
| 4.4.2 中间层的设计 |
| 4.4.3 初始值的选择 |
| 4.5 标准 BP 神经网络的局限性和改进 |
| 4.6 BP 神经网络改进算法的学习和训练 |
| 4.7 本章小结 |
| 第五章 汽轮机故障诊断系统设计和测试 |
| 5.1 引言 |
| 5.2 系统的总体结构 |
| 5.3 硬件系统设计 |
| 5.3.1 传感器系统 |
| 5.3.2 嵌入式工控机系统 |
| 5.3.3 动态数据采集卡系统 |
| 5.4 软件系统设计 |
| 5.4.1 软件功能介绍 |
| 5.4.2 用户权限登录模块 |
| 5.4.3 数据采集模块 |
| 5.4.4 数据库模块 |
| 5.4.5 数据分析模块 |
| 5.4.6 故障诊断模块 |
| 5.5 系统测试 |
| 5.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（6）基于RCM分析的智能化汽轮机组故障诊断系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的意义 |
| 1.1.1 故障诊断是状态维修的基础 |
| 1.1.2 汽轮机组故障诊断的重要意义 |
| 1.2 故障诊断技术的发展现状 |
| 1.2.1 故障诊断技术的研究现状 |
| 1.2.2 智能故障诊断技术的发展方向 |
| 1.3 汽轮机组故障诊断的发展现状 |
| 1.3.1 汽轮机组故障诊断技术的研究现状 |
| 1.3.2 汽轮机组故障诊断系统的研究现状 |
| 1.4 本文的研究内容与结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文结构 |
| 第2章 RCM分析 |
| 2.1 RCM分析 |
| 2.1.1 多种维修理论简介 |
| 2.1.2 RCM的优点及应用 |
| 2.1.3 RCM的缺点及改进 |
| 2.2 基于模糊粗糙集的案例推理在RCM分析中的应用 |
| 2.2.1 粗糙集 |
| 2.2.2 模糊粗糙集 |
| 2.2.3 模糊相似矩阵 |
| 2.2.4 性能特征数据转化 |
| 2.2.5 性能特征约简与权重分配 |
| 2.2.6 基于案例的推理 |
| 2.2.7 案例表示 |
| 2.2.8 案例组织 |
| 2.2.9 案例检索 |
| 2.2.10 案例调整 |
| 2.2.11 案例维护 |
| 2.2.12 RCM分析案例推理 |
| 2.3 RCM分析结果应用于故障诊断 |
| 2.3.1 RCM分析过程中的7个基本问题 |
| 2.3.2 故障模式与影响分析 |
| 2.3.3 汽轮机本体故障的FMEA表 |
| 2.3.4 故障模式与影响分析结果的应用 |
| 2.4 本章小结 |
| 第3章 汽轮机振动故障诊断方法研究 |
| 3.1 汽轮机振动故障 |
| 3.2 汽轮机振动故障聚类分析 |
| 3.2.1 汽轮机振动故障频谱特征 |
| 3.2.2 采用主元分析方法进行特征提取 |
| 3.2.3 采用模糊C均值聚类方法进行聚类分析 |
| 3.3 基于加权模糊逻辑的汽轮机振动故障诊断 |
| 3.3.1 振动故障特征表的建立 |
| 3.3.2 故障诊断决策表的建立 |
| 3.3.3 诊断规则的提取 |
| 3.3.4 故障征兆的表示 |
| 3.3.5 不确定推理 |
| 3.3.6 加权模糊逻辑 |
| 3.4 故障诊断案例 |
| 3.4.1 故障模式类的确定 |
| 3.4.2 人机交互诊断 |
| 3.5 本章小结 |
| 第4章 汽轮机通流部分故障诊断方法研究 |
| 4.1 汽轮机通流部分故障 |
| 4.2 汽轮机通流部分故障聚类分析 |
| 4.2.1 汽轮机通流部分故障特征 |
| 4.2.2 采用主元分析方法进行特征提取 |
| 4.2.3 采用模糊C均值聚类方法进行聚类分析 |
| 4.3 基于信息融合的汽轮机通流部分故障诊断 |
| 4.3.1 通流部分故障诊断决策表的建立 |
| 4.3.2 通流部分故障诊断决策表的最小约简 |
| 4.3.3 选取所需的属性约简 |
| 4.3.4 故障诊断规则的建立 |
| 4.3.5 故障征兆的表示 |
| 4.3.6 采用证据理论进行信息融合 |
| 4.4 变工况下汽轮机通流部分故障征兆正常工作范围的确定 |
| 4.4.1 多工况下各故障征兆的正常运行范围 |
| 4.4.2 负荷与故障征兆正常工作范围关系的曲线拟合 |
| 4.5 故障诊断案例 |
| 4.5.1 故障征兆模糊化 |
| 4.5.2 故障模式类的确定 |
| 4.5.3 故障模式的确定 |
| 4.6 本章小结 |
| 第5章 故障诊断系统的功能结构 |
| 5.1 故障诊断系统的功能结构 |
| 5.1.1 知识库 |
| 5.1.2 模型库 |
| 5.1.3 数据库 |
| 5.1.4 故障诊断功能 |
| 5.2 故障诊断流程 |
| 5.2.1 故障诊断任务生成的推理控制策略 |
| 5.2.2 故障模式确认的推理控制策略 |
| 5.2.3 故障位置查找的推理控制策略 |
| 5.2.4 故障原因查找的推理控制策略 |
| 5.2.5 故障影响查找的推理控制策略 |
| 5.2.6 故障处理措施查找的推理控制策略 |
| 5.3 本章小结 |
| 第6章 故障诊断系统的实现 |
| 6.1 故障诊断系统的应用背景 |
| 6.2 故障诊断系统的软件结构 |
| 6.2.1 系统管理模块 |
| 6.2.2 数据分析模块 |
| 6.2.3 故障诊断模块 |
| 6.2.4 数据管理模块 |
| 6.3 故障诊断系统的界面展示 |
| 6.4 字段表 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 全文总结 |
| 7.2 论文的主要创新点 |
| 7.3 有待进一步开展的工作 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（7）基于证据理论的大型汽轮机组故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 汽轮机组故障诊断研究现状 |
| 1.2.1 汽轮机组故障诊断综述 |
| 1.2.2 国外研究现状 |
| 1.2.3 国内研究现状 |
| 1.3 智能算法应用于故障诊断 |
| 1.4 论文内容与结构 |
| 1.5 本章小结 |
| 第2章 汽轮机组的故障振动机理及其信息处理 |
| 2.1 引言 |
| 2.2 汽轮机组的典型振动故障 |
| 2.2.1 转子质量不平衡 |
| 2.2.2 轴系不对中 |
| 2.2.3 动静碰摩 |
| 2.2.4 油膜涡动与油膜振荡 |
| 2.3 汽轮机组振动信息常用的分析方法 |
| 2.4 汽轮机组故障信息处理 |
| 2.5 本章小结 |
| 第3章 神经网络模型算法研究 |
| 3.1 引言 |
| 3.2 BP神经网络模型基本概念 |
| 3.2.1 人工神经元模型的相关概念 |
| 3.2.2 BP神经网络模型算法原理及其数学推导 |
| 3.2.3 BP神经网络模型的结构及参数调整 |
| 3.2.4 BP神经网络模型应用于汽轮机组故障诊断 |
| 3.3 Elman神经网络模型的结构与算法 |
| 3.3.1 Elman神经网络模型的结构 |
| 3.3.2 Elman神经网络模型的算法原理 |
| 3.3.3 Elman神经网络模型应用于汽轮机组故障诊断 |
| 3.4 本章小结 |
| 第4章 信息融合方法在故障诊断中的应用 |
| 4.1 引言 |
| 4.2 信息融合方法应用于故障诊断 |
| 4.3 Dempster-Shafer证据理论综述 |
| 4.3.1 Dempster-Shafer证据理论的基本概念 |
| 4.3.2 Dempster-Shafer证据理论合成方法 |
| 4.3.3 Dempster-Shafer证据理论的优缺点 |
| 4.3.4 Dempster-Shafer证据理论应用于故障诊断 |
| 4.5 Dempster-Shafer证据理论应用于汽轮机组故障诊断 |
| 4.5.1 Dempster-Shafer证据理论应用于汽轮机组故障诊断综述 |
| 4.5.2 基于Dempster-Shafer证据理论的汽轮机组故障诊断实例 |
| 4.6 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间发表的论文及科研成果 |
（8）基于分解—集成的汽轮发电机组故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 汽轮发电机组智能故障诊断研究的意义 |
| 1.2 汽轮发电机组故障诊断技术研究的现状 |
| 1.2.1 国内外发展概况 |
| 1.2.2 汽轮机故障诊断技术的研究 |
| 1.2.3 汽轮机故障诊断中存在的问题 |
| 1.3 智能故障诊断理论研究的现状 |
| 1.3.1 基于传统人工智能方法的故障诊断技术 |
| 1.3.2 基于Hilbert-Huang变换的故障诊断方法研究的现状 |
| 1.3.3 基于神经网络集成的故障诊断方法研究的现状 |
| 1.4 本文的研究内容和结构 |
| 第2章 基于Hilbert-Huang变换的故障诊断 |
| 2.1 引言 |
| 2.2 HILBERT-HUANG变换的理论基础 |
| 2.2.1 经验模式分解 |
| 2.2.2 Hilbert-Huang变换 |
| 2.3 HILBERT-HUANG变换的端点效应及其解决方法 |
| 2.3.1 Hilbert-Huang变换端点效应的分析 |
| 2.3.2 Hilbert-Huang变换端点效应的解决方法 |
| 2.3.3 仿真实验 |
| 2.4 HILBERT-HUANG变换在汽轮发电机组故障诊断中的应用 |
| 2.5 本章小结 |
| 第3章 基于核方法的故障特征提取技术 |
| 3.1 引言 |
| 3.2 模式识别与机器学习 |
| 3.3 特征选择与特征提取的一般概念 |
| 3.3.1 特征数据的压缩问题 |
| 3.3.2 特征维数与识别率的关系 |
| 3.3.3 特征选择与特征提取 |
| 3.4 核方法的基本原理 |
| 3.5 核主成分分析方法 |
| 3.6 核独立分量分析方法 |
| 3.7 核判别分析方法 |
| 3.8 本章小结 |
| 第4章 神经网络集成学习的基本理论 |
| 4.1 引言 |
| 4.2 神经网络集成学习的研究动态 |
| 4.3 神经网络集成学习的基本原理和方法 |
| 4.3.1 集成学习的背景及其定义 |
| 4.3.2 弱学习及其提升技术 |
| 4.4 集成学习泛化能力的理论分析 |
| 4.5 神经网络集成中的个体生成方式 |
| 4.6 神经网络个体的集成方法 |
| 4.7 选择性神经网络集成 |
| 4.7.1 选择性集成的理论分析 |
| 4.7.2 选择性集成的方法 |
| 4.7.3 选择性集成的评价方法 |
| 4.8 本章小结 |
| 第5章 基于模糊核聚类集成的汽轮机故障诊断 |
| 5.1 引言 |
| 5.2 神经网络模型及算法 |
| 5.2.1 神经网络及其研究内容 |
| 5.2.2 神经元模型 |
| 5.2.3 基函数类型 |
| 5.2.4 激活函数类型 |
| 5.2.5 神经元学习算法 |
| 5.2.6 BP神经网络 |
| 5.3 神经网络模糊核聚类集成 |
| 5.3.1 选择性聚类集成 |
| 5.3.2 模糊核聚类算法 |
| 5.3.3 基于KPCA和模糊核聚类集成的汽轮机故障诊断 |
| 5.3.4 实例分析 |
| 5.4 本章小结 |
| 第6章 基于动态选择性集成的汽轮机故障诊断 |
| 6.1 引言 |
| 6.2 神经网络动态选择性集成 |
| 6.2.1 传统集成方法存在的不足 |
| 6.2.2 动态选择性集成思想方法的提出 |
| 6.2.3 基于KICA和动态选择性集成的汽轮机故障诊断 |
| 6.2.4 实例分析 |
| 6.3 本章小结 |
| 第7章 基于优化神经网络集成的汽轮机故障诊断 |
| 7.1 引言 |
| 7.2 生成成员神经网络的学习算法 |
| 7.2.1 基于自适应遗传算法的成员神经网络 |
| 7.2.2 基于混沌遗传算法的成员神经网络 |
| 7.2.3 基于模糊遗传算法的成员神经网络 |
| 7.2.4 基于免疫遗传算法的成员神经网络 |
| 7.2.5 基于模拟退火遗传算法的成员神经网络 |
| 7.2.6 基于粒子群优化算法的特殊成员神经网络 |
| 7.3 个体神经网络动态权重的确定 |
| 7.4 汽轮发电机组故障诊断实例 |
| 7.5 本章小结 |
| 第8章 结论与展望 |
| 8.1 本文的主要工作和创新点 |
| 8.2 本课题今后的研究内容 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（9）基于Matlab的某电厂汽轮机振动故障诊断系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外汽轮机故障诊断的现状和发展趋势 |
| 1.2.1 国外汽轮机故障诊断现状 |
| 1.2.2 国内汽轮机故障诊断现状 |
| 1.2.3 设备故障诊断技术的发展趋势 |
| 1.3 振动信号处理技术及研究现状 |
| 1.4 基于人工神经网络的故障诊断技术 |
| 1.5 论文的主要内容 |
| 1.6 本章小结 |
| 第二章 汽轮机常见故障及其分析方法 |
| 2.1 引言 |
| 2.2 某电厂汽轮机组概况 |
| 2.3 汽轮机常见故障 |
| 2.3.1 转子质量不平衡 |
| 2.3.2 转子不对中 |
| 2.3.3 动静碰摩 |
| 2.3.4 油膜涡动与油膜振荡 |
| 2.4 汽轮机组故障基本分析方法 |
| 2.4.1 时域分析 |
| 2.4.2 频域分析 |
| 2.4.3 小波分析 |
| 2.5 本章小结 |
| 第三章 汽轮机振动信号的分析与处理 |
| 3.1 引言 |
| 3.2 汽轮机振动信号的预处理 |
| 3.2.1 采样数据的平滑处理 |
| 3.2.2 消除多项式趋势项 |
| 3.3 基于傅里叶变换的汽轮机振动信号处理 |
| 3.3.1 傅里叶变换频谱分析 |
| 3.3.2 加窗的傅里叶变换 |
| 3.3.3 傅里叶变换在汽轮机组故障诊断中的应用 |
| 3.4 基于小波分析的汽轮机振动信号处理 |
| 3.4.1 概述 |
| 3.4.2 小波基本理论 |
| 3.4.3 信号的小波降噪 |
| 3.6 本章小结 |
| 第四章 振动信号的小波包能量分析法提取特征向量 |
| 4.1 引言 |
| 4.2 基于小波分析的故障特征向量提取 |
| 4.3 基于小波包频带能量分析法的汽轮机组故障特征提取 |
| 4.3.1 故障特征提取依据 |
| 4.3.2 频带能量分析法 |
| 4.4 汽轮机组振动故障信号特征提取 |
| 4.5 本章小结 |
| 第五章 基于小波神经网络的汽轮机振动故障诊断系统 |
| 5.1 引言 |
| 5.2 神经网络基础 |
| 5.2.1 生物神经网络 |
| 5.2.2 人工神经网络基础 |
| 5.3 人工神经网络的结构模型 |
| 5.4 BP神经网络 |
| 5.4.1 BP神经网络结构 |
| 5.4.2 BP学习算法 |
| 5.4.3 BP神经网络的设计 |
| 5.5 小波神经网络系统 |
| 5.5.1 小波神经网络的结合途径 |
| 5.5.2 小波分析与神经网络的松散型结合 |
| 5.6 汽轮机组振动故障诊断系统的实现 |
| 5.7 汽轮机振动故障诊断实践 |
| 5.8 本章小结 |
| 总结与展望 |
| 总结 |
| 进一步工作的展望 |
| 参考文献 |
| 附录 部分程序代码 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）基于神经网络的汽轮机轴系振动故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪 论 |
| 1.1 汽轮机故障诊断研究的意义 |
| 1.2 机械故障诊断技术现状 |
| 1.3 神经网络国内外研究现状 |
| 1.4 本论文的主要研究内容 |
| 第2章 基于神经网络的汽轮机故障诊断原理 |
| 2.1 故障诊断技术介绍 |
| 2.1.1 故障诊断的概念 |
| 2.1.2 机械状态检测与故障诊断的内容 |
| 2.1.3 常用的汽轮机故障诊断方法 |
| 2.2 人工神经网络 |
| 2.2.1 人工神经网络的定义 |
| 2.2.2 人工神经网络理论的发展史 |
| 2.2.3 人工神经网络的基本原理 |
| 2.2.4 神经网络的主要应用与研究 |
| 2.3 BP 神经网络原理 |
| 2.3.1 BP 神经网络结构 |
| 2.3.2 BP 算法及原理 |
| 2.3.3 BP 网络学习流程图 |
| 2.3.4 BP 神经网络的特点 |
| 2.3.5 BP 神经网络的不足与改进 |
| 2.4 本章小结 |
| 第3章 汽轮机轴系振动故障诊断的BP 神经网络模型设计 |
| 3.1 神经网络故障诊断和故障特征的提取 |
| 3.1.1 运用神经网络进行故障诊断 |
| 3.1.2 汽轮机故障特征值提取 |
| 3.2 神经网络故障检测模型建立 |
| 3.2.1 样本的建立与数据预处理 |
| 3.2.2 神经网络模型结构设计 |
| 3.3 本章小结 |
| 第4章 运用BP 神经网络对汽轮机故障诊断Matlab 仿真 |
| 4.1 Matlab 简介 |
| 4.2 BP 神经网络模型的Matlab 实现 |
| 4.2.1 BP 神经网络建立 |
| 4.2.2 BP 网络学习训练 |
| 4.2.3 BP 网络故障诊断 |
| 4.3 结果分析 |
| 4.4 本章小结 |
| 第5章 汽轮机故障诊断系统设计 |
| 5.1 汽轮机组诊断系统结构 |
| 5.2 故障诊断软件 |
| 5.2.1 用户管理 |
| 5.2.2 数据库文件操作 |
| 5.2.3 振动数据的图形显示与分析 |
| 5.2.4 振动故障诊断模块 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
四、人工神经网络在汽轮机故障诊断中应用的研究（论文参考文献）
- [1]基于TensorFlow的汽轮机转子振动分析[D]. 孙枫皓. 东北电力大学, 2021(09)
- [2]旋转机械早期故障诊断关键技术研究[D]. 杨静. 西安理工大学, 2020
- [3]汽轮发电机组状态监测与故障诊断方法研究[D]. 于凯. 中国矿业大学, 2020(07)
- [4]基于智能算法的汽轮机通流部分故障诊断研究[D]. 周磊. 东北电力大学, 2016(08)
- [5]基于BP神经网络的汽轮机故障诊断系统研究[D]. 郭建. 华南理工大学, 2014(01)
- [6]基于RCM分析的智能化汽轮机组故障诊断系统研究[D]. 董晓峰. 华北电力大学, 2012(10)
- [7]基于证据理论的大型汽轮机组故障诊断方法研究[D]. 王玉庆. 河北工程大学, 2012(04)
- [8]基于分解—集成的汽轮发电机组故障诊断方法研究[D]. 黄保海. 华北电力大学, 2012(06)
- [9]基于Matlab的某电厂汽轮机振动故障诊断系统的研究[D]. 余熳烨. 华南理工大学, 2011(12)
- [10]基于神经网络的汽轮机轴系振动故障诊断研究[D]. 王宇杰. 哈尔滨理工大学, 2011(05)