一、基于两级信息融合的凝汽器故障诊断方法（论文文献综述）
朱俊杰[1]（2021）在《汽轮发电机组能效诊断与维护决策系统研究》文中提出为减少煤炭资源消耗,确保我国能源行业绿色发展,实现“碳达峰、碳中和”目标,需要不断挖掘汽轮发电机组节煤潜力。随着清洁能源装机比重不断增大,我国电力生产结构不断调整,大部分汽轮发电机组开始承担调峰任务,在低负荷运行过程中,机组能源利用效率偏低,汽轮发电机组节能压力不断增大。在此背景下,开展汽轮发电机组能效诊断与维护决策技术研究具有重要意义。首先,对汽轮发电机组热力系统进行能效分析,确定用来表征机组能效状态的能效状态指标体系,总结、梳理出引起汽轮发电机组能效状态异常的相关异常模式以及故障模式。其次,依靠本体理论建立了汽轮发电机组能效诊断知识库,将引起机组能效指标异常的相关典型故障模式以及异常模式录入知识库中,并与其所属系统设备、相关征兆、原因、维护措施关联起来,作为系统能效诊断的依据。再次,确定了系统能效诊断功能的相关规则与算法。确定了以数据挖掘技术为基础的基准值确定方法,以“稳态筛选-工况划分-异常检测”为流程,通过对比实时运行参数以及参数基准区间,对运行数据进行实时诊断,并根据诊断结果给出相应的维护建议。通过某电厂仿真机仿真出的凝汽器真空不严密故障验证了系统的可靠性。最终,将理论研究付诸于实践,结合离线的能效诊断知识库与在线的实时运行数据处理方法开发了一套汽轮发电机组能效诊断与维护决策系统,致力于提高机组的节煤能力,确保机组健康稳定的运行。
孙树民[2]（2021）在《汽轮机智能故障诊断与维护决策系统研究》文中进行了进一步梳理汽轮机故障诊断是一项多学科交叉、多技术融合的复杂系统工程,具有运行工况多变、参数间相互耦合、故障传递与演化规律复杂等特点。本文在对汽轮机典型故障模式深入分析的基础上,结合知识工程和深度学习等相关理论与技术,开展了汽轮机智能故障诊断关键技术研究。首先,针对汽轮机故障间关联关系复杂的问题,提出了故障知识分析与获取方法。基于系统工程理论,对汽轮机设备进行层次性划分;采用故障树分析法和故障模式及影响分析法相结合,系统性地分析并梳理了汽轮机典型汽路类故障和振动类故障知识,并对获取到的故障知识进行统一数字化编码。其次,针对故障知识缺乏统一的语义性,开展了基于本体理论的故障知识结构化表达研究。在已获取的汽轮机故障知识基础上,提出了故障知识类、属性和个体的划分原则,实现了汽轮机故障语义网的构建;同时,为了进一步管理并存储故障知识,研究了基于Neo4j的故障知识图谱可视化展示技术。再次,针对汽轮机状态参数间相互耦合的问题,开展了基于长短期记忆神经网络和本体语义性搜索的故障预警研究。选取特征参数,并利用清洗后的稳态数据样本,建立了长短期记忆神经网络预测模型,通过比较实际值与模型的预测值,定位异常参数;并进一步结合基于故障知识本体的语义性搜索,实现从异常参数到故障模式的快速匹配。最后,基于上述的理论研究工作,以实际工程需求为驱动,研究了汽轮机智能诊断系统设计框架,描述了系统数据库结构和功能模块的计算流程,开发了汽轮机智能故障诊断原型系统,推进了汽轮机组智能运维研究工作的工程应用。
于淼[3]（2020）在《核动力装置故障诊断研究》文中认为目前,由化石能源主导的能源结构带来的污染日益严重,同时不可再生能源的特点使得可持续发展成为研究的重点,核能非常清洁和环保,核动力装置在陆地发电、船舶和空间技术等方面有很广泛的应用。核动力装置运行期间由于性能退化和操作不当会发生故障,几十年来不乏惨痛的教训。对核动力装置进行有效的故障诊断具有十分重要的意义。对核动力装置的故障诊断建立在大量正常数据和故障数据的基础上,然而核动力装置由于其特殊性和保密性,难以通过实验获得正常样本和故障样本。如果可以建立数学模型进行仿真就可以获得大量的正常样本和故障样本,在此基础上进行进一步的故障诊断算法研究。本文首先建立了船用核动力装置模型,通过模块化的思想对一二回路分别建立模型,在得到一二回路模型的基础上仿照火电机组采用二回路蒸汽压力恒定的控制策略,控制器搭建完毕后得到完整的面向于故障诊断的船用核动力装置模型。然后在模型内部设置故障,仿真得到蒸汽发生器换热恶化、控制棒弹出和小破口事故三种故障,同时与变工况进行对比说明故障发生时机理特性的改变,为下一步进行故障诊断打下基础。在众多的核动力装置参数中选取19个特征参数,通过实验对比选择最佳的特征提取算法对19个特征参数进行降维处理,在降维处理的基础上使用支持向量数据描述方法进行故障诊断,同时与相关方法比较说明本文选择方法的优越性和合理性。最后,针对蒸汽发生器换热恶化这一故障使用对时序数据表现优秀的长短期记忆网络方法进行故障诊断,诊断结果表明长短期记忆网络可以很好的对动态变工况数据进行故障诊断。
陈丹敏[4]（2020）在《基于迁移学习的故障诊断方法研究》文中提出机电设备关键部件的健康稳定运行是智能制造过程高质高效生产的保障。开展智能故障诊断方法研究是提高机电设备安全性的重要技术支撑。随着计算机技术的不断革新和数字传感器的广泛应用,设备健康监控系统积攒了海量数据资源。通过深度学习充分挖掘设备运行状态大数据中的潜在特征,可以克服数据丰富但机理模型和专家信息缺乏的不足。基于深度学习方法的有效性取决于样本的数量和质量,但是设备健康监控大数据中采集的早期微小故障样本量少,传感器多速率采样、随机丢包、传感器类型多样性和所采集信息存储形式不同导致样本质量低。针对设备健康监控中故障样本数量少质量低的问题,本文通过迁移学习的思想,解决微小故障特征抽取、结构不一致样本的深度特征提取,多源异构信息充分利用等难题,重点研究把迁移学习应用到故障诊断中产生的不同故障程度、不同结构样本、多源异构信息所建立的深度学习模型间迁移的关键问题,达到领域内信息的充分使用,领域间信息的高效助力。本文主要研究内容和创新如下:1.针对带标签的微小故障样本数量少的问题,提出了基于深层迁移网络的微小故障诊断方法,旨在利用大量有标签的显着故障样本优化早期微小故障小样本的深度学习模型。其主要工作是设计不同工况下显着故障诊断模型到微小故障诊断模型的迁移机制,达到将显着故障特征提取模型迁移到微小故障的深度学习模型,以解决微小故障样本量少、诊断精度低的问题。实现领域内不同工况不同故障程度所建立深度学习模型间迁移层面的创新。2.针对多速率采样下不同时刻样本结构不一致的问题,提出了多速率采样下基于迁移学习的故障诊断方法,旨在通过充分利用结构不一致的样本,建立从部分到全局,从全局到部分的双向迁移机制。其主要创新点是利用大量结构不完整样本和少量结构完整样本,建立从结构不完整样本的故障诊断模型到结构完整样本的故障诊断模型和从结构完整样本的故障诊断模型到结构不完整样本的故障诊断模型的双向迁移机制,在此基础上构建了多速率采样下的实时故障诊断系统,实现了结构不一致样本的在线故障诊断,提高多速率采样下深度学习故障诊断模型的精确性和实时性。实现领域内不同结构样本所建立深度学习模型间迁移层面的创新。3.针对多源异构信息和外领域数据利用不充分的问题,提出了一种基于多源异构信息迁移学习的融合故障诊断方法。该方法旨在通过利用多源异构信息和外领域信息,建立多源异构信息融合的迁移机制。其主要工作是利用在自然图像数据集上已训练好的VGG16网络,通过模型迁移来优化截屏图像的卷积神经网络模型,以解决截屏图像数量少导致的故障诊断模型不精确的问题。其次构建了一维序列信号的特征提取模型,最后设计一个深层融合网络更好地提取一维序列信号和二维截屏图像的融合特征。实现领域间特征迁移和多源异构数据充分利用层面的创新。4.针对多源异构信息和外领域数据充分利用时面临的故障诊断算法实时性差的问题,提出了一种基于两级迁移学习的多源异构信息融合故障诊断方法。该方法旨在充分利用多源异构信息和外领域数据,构建两级迁移机制将多源异构信息进行融合,避免卷积运算,达到实时故障诊断的目的。其主要工作是构建了截屏图像的特征提取网络模型,设计了从截屏图像的特征提取模型到一维序列信号深度学习模型的迁移机制,实现了从卷积神经网络到深层神经网络的迁移。经过两级迁移的故障诊断模型不仅融合了一维序列信号和截屏图像的特征,而且该模型避免了卷积运算,时间复杂度低。实现面向故障诊断的实时性改进迁移机制层面的创新。
陈小龙[5]（2019）在《证据驱动型火电机组状态预警方法及其应用研究》文中指出对火电机组设备的实时运行状态进行监测,对设备可能的异常状态进行及时的预警并对异常原因进行诊断分析,是保障火电机组健康稳定运行,进而维护电网安全稳定运行的重要手段,也是一项极具挑战性的任务。针对设备运行状态存在的不精确性不确定性,复杂设备机理建模困难以及设备异常或故障样本缺乏的问题,论文研究了基于证据驱动的火电机组设备状态监测、预警及诊断方法的课题,内容涉及设备运行状态的挖掘与表征,设备状态监测及预警,异常状态预警原因分析等。此外,文中还介绍了证据驱动型火电机组状态预警方法在云南省发电设备状态预警平台上的实际应用情况。论文进行了如下主要研究与创新:提出了一种采用基于密度峰值的聚类方法（DPC）的设备运行状态挖掘方法,并基于证据理论框架对设备运行状态进行证据表征,构建设备典型状态证据库。DPC聚类方法可以根据设备历史运行数据的密度分布情况,合理地挖掘设备的典型运行状态,并且不需要预先给定聚类数目。采用证据的形式对设备状态进行表征,可充分表达设备状态的不精确和不确定性。此外,针对对海量数据直接进行DPC聚类分析存在的计算时间长,对计算机硬件要求高等问题,提出一种动态密度偏差抽样算法（DBS）。对海量运行数据进行抽样后再利用DPC方法进行设备状态挖掘,可以有效解决上述问题。动态密度偏差抽样算法很好地解决了传统密度偏差抽样算法中预计抽样数与实际抽样数偏差大的问题。基于调整兰德指数（ARI）,提出了一个可衡量动态DBS算法性能的指标,并根据该指标对动态DBS算法中相关参数的选择进行了研究。提出了一种基于改进证据分类器的设备状态监测与预警方法（CMEW-EKNN）。该方法仅仅基于设备的正常运行数据就可实现设备状态监测及异常状态的预警,解决了设备故障样本缺乏以及获取困难的难题。针对数据样本分布不均的问题,采用一种自适应折现因子用于证据分类器中的证据折现,使得预警模型的局部预警边界能够根据局部训练样本数据的分布特征自适应变化,从而提高预警方法的准确性与鲁棒性。此外,基于留一交叉验证法和变步长渐增迭代法,对折现因子的大小进行了宏观的调整,在不破坏其自适应能力的前提条件下,可以使得预警方法的性能最优。CMEW-EKNN可以对设备状态进行实时监测并给出设备状态的衍变趋势,对设备潜在的异常或故障及时发出警报,防止设备异常状态进一步恶化。提出了一种新的用于k近邻准确搜索的距离计算方法,可使得设备出现异常时k近邻的搜索更准确。基于证据分类器的状态监测与预警方法中,k近邻的搜索过程是根据设备当前状态点与设备状态库中的典型状态点之间的距离来确定,因此某一个或多个运行变量的值发生异常都会导致k近邻搜索过程产生偏差。而设备或过程的运行变量可分为输入和输出两种类型。当设备状态出现异常时,往往表现为一个或多个输出变量的异常偏离,而输入变量受设备异常状态的影响较小。论文采用设备输入空间距离和输出空间距离平方的加权和来进行设备实时状态点k近邻的搜索,有效降低了设备输入输出惯性延迟和输出变量异常偏移对k近邻搜索精度造成的影响。提出了一种基于近邻残差的设备异常状态预警原因反演分析方法。针对传统的基于模型的残差生成方法依赖于机理建模的问题,论文基于k近邻（KNN）的核心思想,以构建的设备典型状态证据库为参照集生成近邻残差,避免了机理建模的困难。采用证据分类器中的证据融合思想将近邻残差进行融合,可对设备异常变量进行定位,进而判断预警发生时设备是发生了真实的异常还是出现了新的状态。针对设备异常或故障数据样本缺乏的问题,论文采用对近邻残差的衍变方向进行评估的方法,结合专家知识或经验,对设备可能的异常原因作出诊断分析,从而为设备的检修提供指导建议。采用高压加热器和凝汽器的如泄漏、结垢等多种不同类型突变与缓变异常的仿真数据对本文状态预警算法的有效性进行了验证。论文中利用现场仅有的一些实际异常数据对状态预警方法的性能进行了一定的测试,但还不充分。针对设备异常或故障数据样本缺乏的实际情况,建立了台州第二发电厂高压加热器和凝汽器的动态仿真模型,并对这两个设备的多种异常状态进行了仿真,以此获得异常测试数据。利用仿真获得的设备正常运行数据,建立了设备典型状态证据库。基于该状态证据库,采用本文中提出的设备状态预警方法,对设备不同的异常状态进行了检测与诊断测试,以此验证了证据驱动型设备状态预警方法对不同类型异常状态进行检测与诊断的能力。
张远绪[6]（2019）在《基于PSO-DDSAEN的凝汽器故障诊断研究》文中研究说明凝汽器是电厂汽轮机组中非常重要的辅助设备之一,其运行状态的优劣直接影响着整个电厂的安全性与经济性。因此,对凝汽器故障诊断方法的研究具有十分重要的理论意义和工程实用价值。随着现代电厂设备的复杂化和精密化,凝汽器故障的复杂程度也越来越大,其故障数据具有复杂性、非线性、高噪声等特点。传统的凝汽器故障诊断方法多是基于浅层机器学习模型,对复杂故障的特征学习能力具有一定的局限性,诊断性能可扩展性差,往往出现易陷入局部最优、过拟合等问题。相对于浅层机器学习模型而言,深度学习具有强大的特征学习能力,对复杂的原始数据可以更深度地挖掘其中隐含的信息。因此,本文以深度学习中的深度自编码网络为基础,以电厂中的凝汽器设备为研究对象,首次将深度学习算法引入到凝汽器的故障诊断中。针对电厂凝汽器运行过程中数据标记困难、故障数据稀缺、高噪声等现实问题,提出一种基于深度降噪稀疏自编码网络（Deep Denoising Sparse Auto-Encoder Networks,DDSAEN）模型的凝汽器故障诊断方法。DDSAEN作为一种深度神经网络,先利用无监督学习方式对大量无标记数据进行逐层贪婪的特征学习,然后采用少量的有标记数据对模型进行微调。网络模型中稀疏性约束的引入,使得所提方法对稀缺故障数据依旧具有强大的学习能力,提高特征代表性、增强特征稀疏性。同时降噪策略的加入,使得所提方法对具有不同噪声程度干扰的故障数据依旧可以提取表征性更强的特征,增强特征的鲁棒性。通过不同实验,对DDSAEN诊断模型的性能进行了测试,验证了该方法强大的特征学习能力,并且相对于浅层机器学习模型,在面对无标记数据、不平衡性、高噪声等状况时,该方法具有一定的优越性,诊断性能更好。同时在对DDSAEN模型的构建中,本文通过不同实验对比,分析研究了网络层数、隐藏层节点数、迭代次数、稀疏参数、噪声系数等关键参数对DDSAEN模型诊断性能的影响。最后针对DDSAEN模型结构复杂,其人工实验的参数确定方式具有随机性和耗时性,并且效率低下,本文采取粒子群优化算法（Particle Swarm Optimization,PSO）对网络模型的关键参数进行自动寻优,提出了一种基于PSO-DDSAEN的凝汽器故障诊断方法。通过对比实验分析研究,验证了该改进方式的有效性,且该方法诊断性能更好,更具智能性。
苏创世[7]（2019）在《基于优化ELM算法的电站凝汽器故障诊断》文中提出电力行业是国民经济的基础支撑行业,凝汽器是电站汽轮发电机组装置的重要组成部分,由它构成的凝器设备作为汽轮机热力循环中的冷却装置,所以凝汽器的故障诊断至关重要,并具有现实的安全意义和经济意义。本文阐述电站凝汽器故障诊断的现状及发展趋势,分析了凝汽器系统及常见故障类别和故障发生时的征兆。使用MATLAB为开发工具,以极限学习机（Extreme Learning Machine,ELM）算法为核心,首先使用奇异值分解法或者主成分分析法确定ELM算法的隐层节点数。然后,采用改进的遗传算法和改进的灰狼算法对ELM算法的输入层权值、阈值参数进行优化;采用改进的人工蜂群算法优化核极限学习机的核函数参数矩阵、惩罚系数,结合D-S证据理论。最后,依据以上理论方法进而建立故障诊断模型,采用故障征兆数据集训练模型,接着运用训练好的模型,对测试实例进行诊断,得到凝汽器的故障类别。另外,本文开发了基于B/S结构的凝汽器故障诊断系统,根据故障征兆数据可实现故障类别诊断。本文所提出的凝汽器故障诊断方法可有效的判别故障类别,可为凝汽器故障检修人员提供了可靠支持,最大限度降低维护成本,以保障电站的安全运行和经济效益。
杜景琦,赵明,殷捷,顾伟[8]（2018）在《电厂发电设备故障诊断方法综述》文中研究表明云南电网内电源形式多样,水火电并存、可再生能源发电快速发展。各种发电设备的性能对于电网以及电力用户的安全经济运行具有重要的影响,对相关设备的状态进行实时监测和诊断。典型诊断方法的算法原理,并结合现实需求对适用于发电设备故障诊断方法进行了展望。
王宏宇[9]（2017）在《基于神经网络的凝汽器故障诊断系统》文中研究说明电厂运行中工质状态变化遵循朗肯循环。凝汽器是此循环的重要组成设备之一,起着冷源的作用:蒸汽在凝汽器内凝结成水,为锅炉提供给水。同时在凝汽器内形成真空。但电厂凝汽系统相对复杂,对真空的影响因素不容易准确判定,很可能会影响运行人员及时准确的对真空故障问题进行处理。因此,研究凝汽器故障诊断对电厂安全稳定、环保经济运行有着十分重要的意义。在凝汽器故障诊断方法的历史研究中通常以神经网络、故障树分析、模糊诊断和专家系统等方法为主。文中运用多方法融合的思想进行凝汽器故障诊断的研究,其主要研究内容和研究方法为:首先,分析研究凝汽器真空确定方法,找出影响凝汽器真空变化的因素。在查阅大量文献的基础上结合电厂原则性凝汽系统图,详细分析凝汽器的故障及各参数的变化。最终,总结出更为丰富的故障集和故障征兆集。其次,研究分析BP、RBF、Elman三种神经网络工作原理,通过对比选取两种神经网络,并对向量化处理的诊断实例进行初步诊断。将诊断结果借助于D-S证据理论进行融合,得出最终诊断结果。最后,考虑到电厂自动化控制系统的兼容性,使用C#语言开发基于D-S证据理论的凝汽器故障诊断系统及其界面。通过对以上内容的详细研究,结果表明:单一神经网络对于凝汽器故障诊断结果不明确,故障剥离能力差;基于D-S证据理论对两种神经网络诊断结果融合的方法,提高了诊断结果的准确度;实例证明开发凝汽器故障系统可以很好的辅助运行人员对事故的快速判断,为运行人员争取更多的事故处理时间,对保证电厂的安全运行有着一定的现实意义。
田睿[10]（2015）在《基于信息融合的电厂设备故障诊断系统设计与实现》文中研究说明火力发电厂是目前我国生产电能的主要部门,在生产过程中,各种设备之间有着很复杂的耦合性和交融性,并且每个设备都具有其独特的复杂特性,而且各种生产设备具有复杂的工作环境,这些都决定了火力发电厂是一个很容易发生事故的地方。火力发电厂一旦发生故障,就会产生十分大的危害和非常严重的后果。随着市场经济的发展,各电力生产部门越来越重视电力运行的安全性和可靠性,因为这些也是电力企业竞价上网的一个很重要的影响因素。原有的故障诊断方法已经不能满足于目前电力生产的要求了,目前的电力市场要求要对设备实行预防性检测,从而能够实现一些故障的提前发现,减少了火力发电厂的经济损失,而且降低了电力生产的危险系数。因此火力发电厂亟需建立一个故障诊断系统,来为电力企业的安全生产作保障。在故障诊断技术当中,一般认为只是根据单一的测试信息来判断故障是否发生是不准确的、是不具有可靠性的。在实际的故障诊断当中,只有获得同一故障的多个信息才能更好的判断故障,多传感器信息融合技术是基于数据信息之间的各种关系,应用多个传感器进行检测设备的工作状态,然后根据D-S证据理论对检测到的数据进行融合,从而得到更加有效的数据。因此,本课题将信息融合技术引入到故障诊断系统当中,将多个传感器联合检测的优势发挥出来,从而提高故障诊断的准确性。本文通过阅读大量的文献和查找相关的资料,首先对火力发电厂主要生产设备的故障基本理论进行学习。介绍了电厂主要的生产设备的特点,接着对系统的开发技术、系统的开发环境、系统的开发软件加以介绍。以VB面向对象语言为系统总框架的开发工具,Matlab程序为各种智能算法的开发工具,SQL数据库为系统的数据库服务工具,三者结合建立一个基于多传感器信息融合技术的火力发电厂故障诊断系统。本文详细叙述了整个故障诊断系统的总体框架和各个功能模块的设计过程,以及各个功能模块的具体实现效果,然后将凝汽器设备的故障的数据信息加载到故障诊断系统当中,应用BP神经网络算法和D-S证据理论共同验证系统故障诊断的准确性,最后系统进行了整体的功能测试和性能测试。结果表明,该故障诊断系统可以准确并稳定的运行,且界面人性化较好,操作简单,便于今后系统的完善和升级。
二、基于两级信息融合的凝汽器故障诊断方法（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、基于两级信息融合的凝汽器故障诊断方法（论文提纲范文）
（1）汽轮发电机组能效诊断与维护决策系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义及目的 |
| 1.2 国内外研究现状 |
| 1.2.1 汽轮发电机组能效诊断技术研究现状 |
| 1.2.2 诊断系统研究现状 |
| 1.3 本文研究内容 |
| 第2章 汽轮发电机组能效状态指标体系 |
| 2.1 引言 |
| 2.2 能效状态指标体系研究 |
| 2.2.1 能效状态指标选取原则 |
| 2.2.2 能效状态指标体系构建思路 |
| 2.3 汽轮机系统能效指标选取 |
| 2.3.1 燃煤电厂热力系统分析 |
| 2.3.2 汽轮机本体系统分析 |
| 2.3.3 回热系统分析 |
| 2.3.4 冷端系统分析 |
| 2.4 指标体系形成 |
| 2.5 本章小结 |
| 第3章 系统能效诊断知识库构建 |
| 3.1 引言 |
| 3.2 本体的相关研究 |
| 3.2.1 本体的介绍 |
| 3.2.2 本体构建的原则 |
| 3.2.3 本体构建语言以及工具 |
| 3.3 能效诊断知识库本体构建 |
| 3.3.1 能效诊断知识库本体构建策略 |
| 3.3.2 类和类的结构关系 |
| 3.3.3 属性和属性关系 |
| 3.3.4 个体实例创建 |
| 3.3.5 一致性验证 |
| 3.3.6 能效诊断知识库 |
| 3.4 本章小节 |
| 第4章 系统能效诊断方法分析 |
| 4.1 引言 |
| 4.2 参数基准值的确定 |
| 4.2.1 历史数据稳态筛选 |
| 4.2.2 基于K-均值聚类算法的工况划分 |
| 4.2.3 基于MGMM和SVR模型的基准值确定方法 |
| 4.3 参数异常检测与诊断 |
| 4.3.1 参数异常检测 |
| 4.3.2 能效诊断知识库的查询 |
| 4.4 案例分析 |
| 4.5 本章小节 |
| 第5章 能效诊断与维护决策系统开发与应用 |
| 5.1 系统介绍与框架 |
| 5.2 系统数据仓库设计 |
| 5.2.1 数据表E-R图设计 |
| 5.2.2 数据表设计 |
| 5.2.3 知识库设计 |
| 5.3 系统开发与运行环境 |
| 5.4 能效诊断功能设计 |
| 5.4.1 监测分析界面 |
| 5.4.2 诊断与决策界面 |
| 5.5 本章小节 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 致谢 |
（2）汽轮机智能故障诊断与维护决策系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 汽轮机故障知识管理研究现状 |
| 1.2.2 汽轮机故障诊断研究现状 |
| 1.2.3 汽轮机故障诊断系统研究现状 |
| 1.3 本文研究内容 |
| 第2章 汽轮机故障知识分析与获取 |
| 2.1 复杂系统特性分析 |
| 2.2 汽轮机故障知识获取 |
| 2.2.1 设备树分析 |
| 2.2.2 基于FMEA与FTA的故障分析 |
| 2.3 实例分析 |
| 2.4 本章小结 |
| 第3章 故障知识的结构化表达与可视化研究 |
| 3.1 本体基本理论 |
| 3.1.1 本体的概念和语义 |
| 3.1.2 本体的构建 |
| 3.2 基于本体的汽轮机故障知识结构化表达 |
| 3.2.1 类及层次结构的确立 |
| 3.2.2 属性及属性关系的确立 |
| 3.2.3 个体填充 |
| 3.2.4 一致性检验 |
| 3.3 故障知识可视化 |
| 3.4 本章小结 |
| 第4章 汽轮机异常检测与故障预诊研究 |
| 4.1 特征参数选取 |
| 4.2 历史数据稳态筛选与标准化 |
| 4.3 基于LSTM的参数异常检测 |
| 4.3.1 LSTM理论介绍 |
| 4.3.2 参数异常检测 |
| 4.3.3 模型评价指标选取 |
| 4.4 基于本体语义性搜索的故障预诊 |
| 4.5 案例分析 |
| 4.6 本章小结 |
| 第5章 汽轮机故障诊断系统的设计与开发 |
| 5.1 系统设计目标与功能设计 |
| 5.2 系统总体架构与开发环境 |
| 5.3 系统大数据系统设计 |
| 5.3.1 汽轮机故障诊断系统知识仓库设计 |
| 5.3.2 汽轮机故障诊断系统数据仓库设计 |
| 5.4 故障诊断模块功能设计 |
| 5.5 系统实现与测试 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（3）核动力装置故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 故障诊断研究现状 |
| 1.3 核动力装置故障诊断研究现状 |
| 1.4 本文主要研究内容 |
| 第2章 面向于故障诊断的核动力装置建模 |
| 2.1 引言 |
| 2.2 一回路系统模型 |
| 2.2.1 热源模型 |
| 2.2.2 热交换装置模型 |
| 2.2.3 稳压装置模型 |
| 2.3 动力及发电系统模型 |
| 2.3.1 动力系统模型 |
| 2.3.2 发电系统模型 |
| 2.3.3 汽动泵模型 |
| 2.4 凝结水系统模型 |
| 2.4.1 凝气器模型 |
| 2.4.2 凝结水泵及其回流模型 |
| 2.4.3 电动给水泵模型 |
| 2.5 控制策略设计 |
| 2.6 本章小结 |
| 第3章 核动力装置故障及变工况仿真 |
| 3.1 引言 |
| 3.2 核动力装置典型故障及分析 |
| 3.2.1 蒸汽发生器换热恶化 |
| 3.2.2 弹棒事故 |
| 3.2.3 破口事故 |
| 3.3 核动力装置故障仿真 |
| 3.3.1 蒸汽发生器换热恶化故障仿真 |
| 3.3.2 控制棒弹出故障仿真 |
| 3.3.3 小破口事故故障仿真 |
| 3.4 变工况仿真 |
| 3.5 本章小结 |
| 第4章 基于支持向量数据描述的核动力装置故障诊断 |
| 4.1 引言 |
| 4.2 特征提取方法研究 |
| 4.2.1 特征参数选取 |
| 4.2.2 特征提取方法对比 |
| 4.3 基于支持向量数据描述的核动力装置故障诊断 |
| 4.3.1 支持向量数据描述介绍 |
| 4.3.2 核函数 |
| 4.3.3 实验分析 |
| 4.4 本章小结 |
| 第5章 基于长短期记忆网络的核动力装置故障诊断 |
| 5.1 引言 |
| 5.2 长短期记忆网络介绍 |
| 5.3 基于长短期记忆网络的辨识与故障诊断 |
| 5.3.1 基于长短期记忆网络的辨识 |
| 5.3.2 基于Pauta准则的故障诊断 |
| 5.4 实验分析 |
| 5.4.1 基于长短期记忆网络的故障诊断实验步骤 |
| 5.4.2 基于长短期记忆网络的故障诊断实验 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及其它成果 |
| 致谢 |
（4）基于迁移学习的故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 基于深度学习的故障诊断方法研究现状 |
| 1.2.2 基于迁移学习的故障诊断方法研究现状 |
| 1.2.3 现有相关研究分析 |
| 1.3 论文主要研究内容 |
| 1.4 论文的组织结构 |
| 第二章 相关理论与技术 |
| 2.1 引言 |
| 2.2 堆叠自编码器 |
| 2.2.1 自编码器 |
| 2.2.2 堆叠自编码器训练过程 |
| 2.3 VGG16 |
| 2.4 本章小结 |
| 第三章 基于迁移学习的微小故障诊断 |
| 3.1 引言 |
| 3.2 基于深层迁移网络的微小故障诊断 |
| 3.3 实验与分析 |
| 3.3.1 数据描述 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 多速率采样下基于迁移学习的故障诊断 |
| 4.1 引言 |
| 4.2 多速率采样下基于迁移学习的故障诊断 |
| 4.2.1 从结构不完整DNN模型迁移到结构完整DNN模型的故障诊断 |
| 4.2.2 从结构完整DNN模型迁移到结构不完整DNN模型的故障诊断 |
| 4.2.3 多速率采样下的在线故障诊断 |
| 4.3 齿轮箱数据实验分析 |
| 4.3.1 数据描述 |
| 4.3.2 从结构不完整的故障诊断模型到结构完整的故障诊断模型的迁移 |
| 4.3.3 从结构完整的故障诊断模型到结构不完整的故障诊断模型的迁移 |
| 4.3.4 在线故障诊断 |
| 4.4 TE过程数据实验分析 |
| 4.4.1 数据描述 |
| 4.4.2 实验结果分析 |
| 4.5 时间复杂度分析 |
| 4.6 本章小结 |
| 第五章 基于多源异构信息迁移学习的融合故障诊断 |
| 5.1 引言 |
| 5.2 基于多源异构信息迁移学习的融合故障诊断 |
| 5.2.1 基于历史数据的多源异构信息融合故障诊断模型的构建 |
| 5.2.2 在线故障诊断 |
| 5.3 齿轮箱数据实验分析 |
| 5.3.1 数据描述 |
| 5.3.2 实验结果分析 |
| 5.4 轴承数据实验分析 |
| 5.4.1 数据描述 |
| 5.4.2 实验结果分析 |
| 5.5 时间复杂度分析 |
| 5.6 本章小结 |
| 第六章 基于两级迁移学习的多源异构信息融合故障诊断 |
| 6.1 引言 |
| 6.2 基于两级迁移学习的多源异构信息融合故障诊断 |
| 6.3 时间复杂度分析 |
| 6.4 齿轮箱数据实验分析 |
| 6.4.1 数据描述 |
| 6.4.2 实验结果分析 |
| 6.5 轴承数据实验分析 |
| 6.5.1 数据描述 |
| 6.5.2 实验结果分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（5）证据驱动型火电机组状态预警方法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号说明 |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 基于模型的状态监测与预警方法 |
| 1.2.2 基于信号处理的状态监测与预警方法 |
| 1.2.3 基于知识的状态监测与预警方法 |
| 1.3 当前研究中存在的问题 |
| 1.3.1 状态监测及预警方法存在的问题 |
| 1.3.2 证据理论在故障预警领域中应用存在的问题 |
| 1.4 本文的主要研究思路及内容 |
| 1.5 论文主要创新点 |
| 第2章 证据理论及证据分类器 |
| 2.1 引言 |
| 2.2 证据理论 |
| 2.3 融合法则 |
| 2.3.1 TBM与法则 |
| 2.3.2 基于与权函数的谨慎融合法则 |
| 2.3.3 证据融合示例 |
| 2.4 经典证据KNN分类器 |
| 2.4.1 基本原理 |
| 2.4.2 参数选择 |
| 2.5 本章小结 |
| 第3章 设备典型状态挖掘及证据表征方法研究 |
| 3.1 引言 |
| 3.2 特征选择与提取 |
| 3.3 基于DPC的设备典型状态挖掘 |
| 3.3.1 设备典型状态挖掘思路 |
| 3.3.2 聚类算法 |
| 3.3.3 基于DPC的设备典型状态挖掘 |
| 3.4 设备运行状态的证据表征 |
| 3.5 基于动态DBS的设备典型样本选择方法 |
| 3.5.1 密度偏差抽样方法 |
| 3.5.2 动态密度偏差抽样方法 |
| 3.5.3 动态DBS性能分析及参数选择 |
| 3.6 实际应用算例 |
| 3.6.1 一次风机运行状态挖掘案例 |
| 3.6.2 高压加热器运行状态挖掘案例 |
| 3.7 本章小结 |
| 第4章 基于证据分类器的状态监测与预警方法研究 |
| 4.1 引言 |
| 4.2 正常运行数据驱动的异常检测方法 |
| 4.2.1 主元分析法 |
| 4.2.2 FD-kNN故障检测方法 |
| 4.3 自适应折现因子证据分类器EKNN |
| 4.3.1 EKNN的“距离抑制分类”特性 |
| 4.3.2 自适应折现因子 |
| 4.4 基于改进EKNN的状态监测及预警方法 |
| 4.4.1 基本思想及框架 |
| 4.4.2 基于改进EKNN的状态监测及预警 |
| 4.4.3 预警阈值选择 |
| 4.4.4 留一法参数选择 |
| 4.4.5 邻域快速搜索方法 |
| 4.4.6 数值模拟示例分析 |
| 4.5 CMEW-EKNN在火电机组设备上的实际应用 |
| 4.5.1 实际应用Ⅰ:一次风机 |
| 4.5.2 实际应用Ⅱ:高压给水加热器 |
| 4.5.3 计算结果及讨论 |
| 4.6 本章小结 |
| 第5章 基于近邻残差的预警原因反演方法研究 |
| 5.1 引言 |
| 5.2 基于证据反演方法的异常变量定位 |
| 5.2.1 k近邻精准搜索 |
| 5.2.2 异常变量定位 |
| 5.2.3 参数选择 |
| 5.3 基于近邻残差及专家知识的预警原因诊断 |
| 5.3.1 近邻残差衍变趋势分析 |
| 5.3.2 基于专家知识的预警原因诊断 |
| 5.4 实际应用案例 |
| 5.4.1 实际应用Ⅰ:一次风机 |
| 5.4.2 实际应用Ⅱ:高压给水加热器 |
| 5.5 本章小结 |
| 第6章 基于仿真建模的设备状态监测及预警算法验证 |
| 6.1 引言 |
| 6.2 仿真对象介绍 |
| 6.2.1 高压加热器 |
| 6.2.2 凝汽器 |
| 6.3 高压加热器仿真建模 |
| 6.3.1 高压加热器动态数学模型 |
| 6.3.2 高加水位自动控制 |
| 6.3.3 高压加热器Simulink仿真 |
| 6.3.4 高加全工况仿真及异常状态仿真 |
| 6.4 凝汽器仿真建模 |
| 6.4.1 凝汽器动态数学模型 |
| 6.4.2 凝汽器全工况仿真及异常状态仿真 |
| 6.5 基于仿真结果的状态监测、预警及诊断算法验证 |
| 6.5.1 高压加热器异常状态检测 |
| 6.5.2 凝汽器异常状态检测 |
| 6.6 本章小结 |
| 第7章 状态预警方法在火电机组设备上的实际应用 |
| 7.1 引言 |
| 7.2 系统软件集成技术及应用 |
| 7.3 平台设计及集成方案 |
| 7.3.1 硬件平台架构 |
| 7.3.2 软件平台架构 |
| 7.4 现场实际应用情况 |
| 7.5 设备状态证据库更新 |
| 7.6 本章小结 |
| 第8章 论文总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 作者在攻读博士学位期间研究成果 |
（6）基于PSO-DDSAEN的凝汽器故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题背景及其意义 |
| 1.2 故障诊断技术概述 |
| 1.2.1 国内外故障诊断技术的发展和研究现状 |
| 1.2.2 现代凝汽器故障诊断方法 |
| 1.3 基于深度学习的故障诊断方法 |
| 1.3.1 深度学习概述 |
| 1.3.2 基于深度学习的故障诊断研究现状 |
| 1.4 本文研究的切入点 |
| 1.4.1 凝汽器故障诊断中存在的问题 |
| 1.4.2 目前凝汽器故障诊断方法的弊端 |
| 1.4.3 深度学习在凝汽器故障诊断中的应用分析 |
| 1.5 论文的研究内容和结构安排 |
| 2 凝汽器设备常见故障及原因分析 |
| 2.1 凝汽器概述 |
| 2.2 凝汽器主要的性能指标 |
| 2.3 凝汽器常见故障分析 |
| 2.4 凝汽器系统故障集及故障征兆集的建立 |
| 2.5 本章小结 |
| 3 深度自编码网络 |
| 3.1 深度自编码网络原理 |
| 3.1.1 自动编码器 |
| 3.1.2 深度自编码网络的结构与训练 |
| 3.2 自动编码器的优化改进 |
| 3.2.1 稀疏自动编码器 |
| 3.2.2 降噪自动编码器 |
| 3.2.3 深度降噪稀疏自动编码器 |
| 3.3 本章小结 |
| 4 深度降噪稀疏自编码网络诊断模型研究 |
| 4.1 深度降噪稀疏自编码网络诊断模型框架 |
| 4.2 Softmax分类器 |
| 4.3 深度降噪稀疏自编码网络模型参数的确定 |
| 4.3.1 网络层数 |
| 4.3.2 隐藏层节点数 |
| 4.3.3 迭代次数 |
| 4.3.4 稀疏参数 |
| 4.3.5 噪声系数 |
| 4.4 本章小结 |
| 5 基于深度降噪稀疏自编码网络的凝汽器故障诊断 |
| 5.1 凝汽器故障数据说明 |
| 5.1.1 样本数据选取 |
| 5.1.2 样本数据预处理 |
| 5.1.3 故障状态输出编码 |
| 5.2 基于DDSAEN的凝汽器故障诊断模型 |
| 5.3 基于DDSAEN模型的凝汽器故障诊断性能测试及对比分析 |
| 5.3.1 不同预训练集下模型性能分析 |
| 5.3.2 与BPNN、SVM对比分析 |
| 5.3.3 不平衡训练样本下故障诊断结果及分析 |
| 5.3.4 鲁棒性验证 |
| 5.4 本章小结 |
| 6 基于PSO-DDSAEN的凝汽器故障诊断 |
| 6.1 粒子群优化算法(PSO) |
| 6.2 基于PSO-DDSAEN模型的凝汽器故障诊断方法研究 |
| 6.3 PSO优化过程结果 |
| 6.4 故障诊断结果分析 |
| 6.5 特征提取可视化分析 |
| 6.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表学术论文目录 |
（7）基于优化ELM算法的电站凝汽器故障诊断（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 国内外研究进展 |
| 1.3 电站故障诊断存在的问题及发展趋势 |
| 1.3.1 凝汽器故障诊断存在的问题 |
| 1.3.2 凝汽器故障诊断的发展趋势 |
| 1.4 本文主要工作 |
| 第2章 电站凝汽器系统简介 |
| 2.1 凝汽器系统组成及作用 |
| 2.2 凝汽器常见故障与征兆分析 |
| 2.3 凝汽器故障征兆数据集 |
| 2.4 凝汽器故障测试实例 |
| 2.5 本章小结 |
| 第3章 ELM及其改进算法 |
| 3.1 标准ELM算法 |
| 3.2 隐层节点数确定 |
| 3.2.1 奇异值分解 |
| 3.2.2 主成分分析法 |
| 3.3 KELM算法 |
| 3.4 本章小结 |
| 第4章 基于优化ELM算法的电站凝汽器故障诊断 |
| 4.1 基于改进遗传算法优化ELM算法的凝汽器故障诊断 |
| 4.1.1 遗传算法 |
| 4.1.2 遗传算法改进策略 |
| 4.1.3 改进遗传算法优化ELM算法应用 |
| 4.1.4 测试及实例仿真结果 |
| 4.2 基于改进灰狼算法优化ELM算法的凝汽器故障诊断 |
| 4.2.1 灰狼算法 |
| 4.2.2 灰狼算法改进策略 |
| 4.2.3 改进灰狼算法优化ELM算法应用 |
| 4.3 基于蜂群算法优化KELM算法的凝汽器故障诊断 |
| 4.3.1 人工蜂群算法 |
| 4.3.2 算法优化策略 |
| 4.3.3 改进人工蜂群优化ELM算法应用 |
| 4.4 本章小结 |
| 第5章 基于B/S结构的凝汽器故障诊断系统开发 |
| 5.1 系统简述 |
| 5.2 系统界面及功能概述 |
| 第6章 结论和展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 致谢 |
（8）电厂发电设备故障诊断方法综述（论文提纲范文）
| 0前言 |
| 1 电厂常用故障诊断方法分类 |
| 2 基于数学模型的故障诊断 |
| 3 基于经验知识的故障诊断 |
| 3.1 专家系统 |
| 3.2 模糊逻辑 |
| 3.3 故障树 |
| 4 基于数据驱动的故障诊断 |
| 4.1 基于统计分析的故障诊断 |
| 4.1.1 主元分析法 |
| 4.1.2 Fisher分析判别法 |
| 4.1.3 偏最小二乘法 |
| 4.2 基于信号分析的故障诊断方法 |
| 4.3 基于人工智能的故障诊断方法 |
| 4.3.1 人工神经网络 |
| 4.3.2 支持向量机 |
| 4.3.3 证据理论 |
| 5故障诊断方法的发展趋势 |
| 6 结束语 |
（9）基于神经网络的凝汽器故障诊断系统（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外与课题相关研究领域的研究进展及成果 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 国内外文献综述分析 |
| 1.3 主要研究内容 |
| 第2章 凝汽设备系统常见故障及原因分析 |
| 2.1 凝汽设备的组成及任务 |
| 2.2 凝汽器内压力的确定 |
| 2.2.1 实际情况下凝汽器内压力的确定 |
| 2.2.2 理论情况下凝汽器内压力的确定 |
| 2.2.3 凝汽器运行中的真空主要影响因素分析 |
| 2.2.4 凝汽器运行时一些主要问题 |
| 2.3 凝汽系统中常见故障及故障征兆的建立 |
| 2.3.1 凝汽系统常见故障及故障征兆 |
| 2.3.2 凝汽器系统故障集及故障征兆集的建立 |
| 2.4 本章小结 |
| 第3章 凝汽器故障诊断方法中神经网络的选用 |
| 3.1 BP神经网络 |
| 3.1.1 BP神经网络的结构 |
| 3.1.2 BP神经网络的算法 |
| 3.1.3 改进的BP神经网络 |
| 3.2 RBF神经网络 |
| 3.2.1 径向基函数 |
| 3.2.2 RBF神经网络的结构 |
| 3.2.3 RBF神经网络的算法 |
| 3.3 ELMAN神经网络 |
| 3.4 神经网络的优缺点 |
| 3.4.1 BP和RBF神经网络的优缺点 |
| 3.4.2 Elman神经网络的优缺点 |
| 3.5 凝汽器故障诊断方法的确定 |
| 3.6 本章小结 |
| 第4章 D-S证据理论在凝汽器故障诊断中的应用 |
| 4.1 证据理论的基本理论 |
| 4.1.1 基本概率分配 |
| 4.1.2 信任函数 |
| 4.1.3 似然函数 |
| 4.2 融合规则 |
| 4.2.1 D-S组合规则 |
| 4.2.2 Yager组合规则 |
| 4.2.3 Inagaki组合规则 |
| 4.2.4 Dubois-Prade组合规则 |
| 4.2.5 平均分配规则 |
| 4.2.6 几种组合规则的计算 |
| 4.3 故障诊断实例 |
| 4.4 本章小结 |
| 第5章 凝汽器故障诊断系统的开发 |
| 5.1 凝汽器故障诊断系统的简述 |
| 5.1.1 开发环境的介绍 |
| 5.1.2 系统界面 |
| 5.2 诊断实例 |
| 5.3 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 |
（10）基于信息融合的电厂设备故障诊断系统设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 电厂设备故障诊断技术 |
| 1.2.1 国内外电厂故障诊断系统现状 |
| 1.2.2 我国火力发电厂故障诊断系统的研究现状 |
| 1.3 信息融合技术在故障诊断中应用的意义 |
| 1.4 本文的主要内容及结构安排 |
| 第2章 故障诊断系统开发所涉及到的技术 |
| 2.1 系统开发的平台 |
| 2.2 系统的开发工具 |
| 2.2.1 Visual Basic软件 |
| 2.2.2 Matlab软件 |
| 2.2.3 SQL Server 2000数据库 |
| 2.3 信息融合技术 |
| 2.3.1 信息融合的定义及特点 |
| 2.3.2 信息融合的基本原理 |
| 2.3.3 信息融合的故障诊断模型 |
| 第3章 故障诊断系统的分析与设计 |
| 3.1 系统设计的需求分析 |
| 3.2 故障诊断系统功能设计 |
| 3.2.1 系统总体功能结构 |
| 3.2.2 系统主要功能模块设计 |
| 3.2.3 故障诊断模块功能设计 |
| 3.2.4 系统的数据库设计 |
| 3.2.5 软件系统流程图 |
| 第4章 故障诊断系统的具体实现 |
| 4.1 用户管理模块实现 |
| 4.2 系统主界面实现 |
| 4.3 故障诊断模块实现 |
| 4.4 报表管理模块实现 |
| 4.5 数据监控模块实现 |
| 第5章 系统的测试 |
| 5.1 测试目的 |
| 5.2 系统测试方法 |
| 5.3 测试结果 |
| 第6章 结论与展望 |
| 参考文献 |
| 致谢 |
四、基于两级信息融合的凝汽器故障诊断方法（论文参考文献）
- [1]汽轮发电机组能效诊断与维护决策系统研究[D]. 朱俊杰. 华北电力大学(北京), 2021(01)
- [2]汽轮机智能故障诊断与维护决策系统研究[D]. 孙树民. 华北电力大学(北京), 2021(01)
- [3]核动力装置故障诊断研究[D]. 于淼. 哈尔滨工业大学, 2020(01)
- [4]基于迁移学习的故障诊断方法研究[D]. 陈丹敏. 战略支援部队信息工程大学, 2020(03)
- [5]证据驱动型火电机组状态预警方法及其应用研究[D]. 陈小龙. 东南大学, 2019
- [6]基于PSO-DDSAEN的凝汽器故障诊断研究[D]. 张远绪. 青岛科技大学, 2019(12)
- [7]基于优化ELM算法的电站凝汽器故障诊断[D]. 苏创世. 华北电力大学, 2019(01)
- [8]电厂发电设备故障诊断方法综述[J]. 杜景琦,赵明,殷捷,顾伟. 云南电力技术, 2018(05)
- [9]基于神经网络的凝汽器故障诊断系统[D]. 王宏宇. 东北电力大学, 2017(01)
- [10]基于信息融合的电厂设备故障诊断系统设计与实现[D]. 田睿. 吉林大学, 2015(06)