| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景和研究意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状及发展趋势 | 第11-12页 |
| 1.2.1 机械故障诊断技术的国内外研究现状 | 第11页 |
| 1.2.2 机械故障诊断技术的发展趋势 | 第11-12页 |
| 1.3 故障诊断的研究方法 | 第12-14页 |
| 1.3.1 基于模型的故障诊断方法 | 第12-13页 |
| 1.3.2 基于信号处理的故障诊断方法 | 第13页 |
| 1.3.3 基于知识的故障诊断方法 | 第13-14页 |
| 1.4 机械故障诊断与视情维修策略 | 第14-16页 |
| 1.5 论文的主要研究内容 | 第16-18页 |
| 第2章 机械故障诊断过程中的不确定性及解决方案 | 第18-30页 |
| 2.1 机械设备故障及其诊断技术的概念 | 第18-21页 |
| 2.1.1 机械设备的故障的概念 | 第18-20页 |
| 2.1.2 机械设备的故障诊断技术 | 第20-21页 |
| 2.2 机械故障诊断中的不确定性 | 第21-26页 |
| 2.2.1 不确定理论及不确定来源 | 第21-22页 |
| 2.2.2 不确定性信息及其推理 | 第22-26页 |
| 2.3 针对复杂机械故障诊断中不确定性的解决方案 | 第26-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 机械故障诊断中的贝叶斯网络建模 | 第30-42页 |
| 3.1 引言 | 第30页 |
| 3.2 贝叶斯网络 | 第30-34页 |
| 3.2.1 贝叶斯网络的原理 | 第30-32页 |
| 3.2.2 故障贝叶斯网络 | 第32-34页 |
| 3.3 基于ACO的故障贝叶斯网络结构的建立 | 第34-39页 |
| 3.3.1 蚁群化优化算法 | 第34-36页 |
| 3.3.2 基于ACO算法的故障贝叶斯网络结构学习 | 第36-39页 |
| 3.4 基于故障树的故障贝叶斯网络结构映射 | 第39-41页 |
| 3.4.1 故障树分析法的概念及特点 | 第39-40页 |
| 3.4.2 故障树到故障贝叶斯网络的映射 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 机械故障诊断中的贝叶斯网络推理 | 第42-55页 |
| 4.1 引言 | 第42页 |
| 4.2 贝叶斯网络的推理 | 第42-43页 |
| 4.3 故障贝叶斯网络的推理算法 | 第43-54页 |
| 4.3.1 推理结构转变 | 第44-50页 |
| 4.3.2 信念初始化 | 第50-51页 |
| 4.3.3 信念传递与吸收 | 第51-53页 |
| 4.3.4 故障概率的局部算法 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 基于D-S证据理论的会诊诊断融合模型 | 第55-65页 |
| 5.1 引言 | 第55页 |
| 5.2 机械故障会诊诊断策略 | 第55页 |
| 5.3 D-S证据理论 | 第55-59页 |
| 5.3.1 证据理论基本概念 | 第55-57页 |
| 5.3.2 ShaferDempster - 合成法则 | 第57-59页 |
| 5.4 基于D-S证据理论的会诊诊断融合模型 | 第59-64页 |
| 5.4.1 会诊诊断的过程及步骤 | 第59-60页 |
| 5.4.2 融合悖论问题及贴合度的提出 | 第60-62页 |
| 5.4.3 基于D-S证据理论的会诊诊断融合模型 | 第62-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第6章 故障贝叶斯网络在酸洗线和镀锌线的故障诊断中的应用 | 第65-81页 |
| 6.1 引言 | 第65-66页 |
| 6.2 风机系统故障诊断的贝叶斯网络建模及推理 | 第66-80页 |
| 6.3 本章小结 | 第80-81页 |
| 结论与展望 | 第81-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-87页 |
| 作者简介 | 第87页 |
| 攻读硕士学位期间发表的论文 | 第87-88页 |
