| 中文摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 引言 | 第8-14页 |
| 1.1 选题背景与意义 | 第8页 |
| 1.2 液压泵故障诊断技术的研究进展及发展趋势 | 第8-11页 |
| 1.2.1 液压泵故障诊断技术的研究现状 | 第8-9页 |
| 1.2.2 液压泵故障诊断技术的主要方法 | 第9-10页 |
| 1.2.3 液压泵故障诊断技术的发展趋势 | 第10-11页 |
| 1.3 多传感器数据融合技术的国内外发展现状 | 第11-12页 |
| 1.4 课题主要内容与结构安排 | 第12-14页 |
| 第二章 多传感器数据融合技术 | 第14-20页 |
| 2.1 多传感器数据融合的定义 | 第14页 |
| 2.2 数据融合的模型 | 第14-16页 |
| 2.3 目标识别数据融合的层次描述 | 第16-17页 |
| 2.3.1 数据级融合 | 第16页 |
| 2.3.2 特征级融合 | 第16页 |
| 2.3.3 决策级融合 | 第16-17页 |
| 2.4 基于多传感器数据融合的故障诊断系统模型 | 第17-18页 |
| 2.4.1 多传感器数据融合与故障诊断 | 第17-18页 |
| 2.4.2 基于数据融合的故障诊断系统模型 | 第18页 |
| 2.5 本章小结 | 第18-20页 |
| 第三章 基于BP神经网络的特征级诊断算法 | 第20-36页 |
| 3.1 神经网络基本知识 | 第20-22页 |
| 3.2 BP神经网络及其特点 | 第22页 |
| 3.3 PSO-BP神经网络 | 第22-25页 |
| 3.3.1 标准PSO算法 | 第22-23页 |
| 3.3.2 PSO-BP神经网络模型 | 第23页 |
| 3.3.3 PSO-BP神经网络缺点 | 第23-25页 |
| 3.4 改进的PSO算法 | 第25-31页 |
| 3.4.1 基于自适应惯性权重的PSO改进算法 | 第25-26页 |
| 3.4.2 算例分析与比较 | 第26-31页 |
| 3.5 改进的PSO-BP神经网络 | 第31-35页 |
| 3.5.1 改进PSO-BP神经网络算法流程 | 第31-32页 |
| 3.5.2 算例分析与比较 | 第32-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 基于D-S证据理论的决策级融合算法 | 第36-44页 |
| 4.1 证据理论基础 | 第36页 |
| 4.1.1 D-S证据理论基本概念 | 第36页 |
| 4.1.2 D-S证据理论组合规则 | 第36页 |
| 4.2 D-S证据理论的悖论 | 第36-37页 |
| 4.3 改进的D-S证据理论 | 第37-38页 |
| 4.3.1 现有的改进方法 | 第37页 |
| 4.3.2 一种新的D-S改进算法 | 第37-38页 |
| 4.4 算例分析与比较 | 第38-42页 |
| 4.5 本章小结 | 第42-44页 |
| 第五章 基于多传感器数据融合的液压泵故障诊断实例 | 第44-58页 |
| 5.1 液压泵的工作原理以及常见故障 | 第44-45页 |
| 5.2 基于改进神经网络和改进证据理论的液压泵故障诊断模型 | 第45-46页 |
| 5.3 诊断实例 | 第46-56页 |
| 5.3.1 数据分析与预处理 | 第46-47页 |
| 5.3.2 特征级子网诊断 | 第47-54页 |
| 5.3.3 决策级融合诊断 | 第54-56页 |
| 5.4 本章小结 | 第56-58页 |
| 第六章 结论与展望 | 第58-60页 |
| 6.1 结论 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 攻读硕士学位期间所发表的论文 | 第66页 |