| 第一章 绪论 | 第11-27页 |
| 1．1 研究背景与意义 | 第11-14页 |
| 1．2 故障诊断技术的发展历程 | 第14-17页 |
| 1．2．1 原始诊断阶段 | 第15页 |
| 1．2．2 基于材料寿命分析与估计的诊断阶段 | 第15页 |
| 1．2．3 基于传感器与计算机技术的诊断阶段 | 第15-16页 |
| 1．2．4 智能化诊断阶段 | 第16-17页 |
| 1．3 故障诊断技术的研究进展 | 第17-20页 |
| 1．4 故障智能诊断系统的发展现状 | 第20-22页 |
| 1．5 现有故障诊断系统存在的问题 | 第22-23页 |
| 1．6 本文研究内容与创新点 | 第23-27页 |
| 第二章 智能故障诊断系统的理论与方法 | 第27-57页 |
| 2．1 故障诊断系统的基本问题 | 第27-32页 |
| 2．1．1 故障及相关概念 | 第27页 |
| 2．1．2 复杂系统的故障的特性 | 第27-29页 |
| 2．1．3 复杂系统的故障分类 | 第29-30页 |
| 2．1．4 复杂系统的故障诊断 | 第30-32页 |
| 2．2 复杂系统的故障诊断过程 | 第32-33页 |
| 2．2．1 故障检测方法 | 第32页 |
| 2．2．2 故障诊断过程 | 第32-33页 |
| 2．3 现有故障诊断方法特点及局限性分析 | 第33-39页 |
| 2．3．1 基于数学模型的故障诊断方法 | 第33-34页 |
| 2．3．2 基于信号处理的故障诊断方法 | 第34页 |
| 2．3．3 基于人工智能的故障诊断方法 | 第34-39页 |
| 2．4 非平稳信号分析理论在故障诊断中的应用 | 第39-49页 |
| 2．4．1 Fourier 变换 | 第39-40页 |
| 2．4．2 短时Fourier 变换 | 第40-41页 |
| 2．4．3 时频分析 | 第41-43页 |
| 2．4．4 小波分析 | 第43-49页 |
| 2．5 不确定性理论在故障诊断系统中的应用 | 第49-52页 |
| 2．5．1 不确定性信息种类 | 第49-50页 |
| 2．5．2 故障诊断系统中不确定性分析 | 第50-51页 |
| 2．5．3 故障诊断系统不确定性推理一般模型 | 第51-52页 |
| 2．6 混沌理论在故障诊断系统中的应用 | 第52-55页 |
| 2．6．1 混沌系统的基本特性及其描述 | 第53-54页 |
| 2．6．2 复杂过程工业系统中的混沌分析 | 第54-55页 |
| 2．7 本章小结 | 第55-57页 |
| 第三章 基于Kolmogorov 熵时间序列分析的系统故障状态识别问题的研究 | 第57-73页 |
| 3．1 引言 | 第57-58页 |
| 3．2 信息熵 | 第58-60页 |
| 3．2．1 熵与信息的度量 | 第58-59页 |
| 3．2．2 信息熵基本性质 | 第59-60页 |
| 3．3 利用广义熵计算Kolmogorov 熵原理 | 第60-64页 |
| 3．3．1 广义熵与Kolmogorov 熵 | 第60-61页 |
| 3．3．2 故障诊断系统中Kolmogorov熵的计算方法 | 第61-63页 |
| 3．3．3 实例分析与讨论 | 第63-64页 |
| 3．4 基于时频分析的系统状态监测 | 第64-66页 |
| 3．4．1 Choi-Willimas 时频分布 | 第65页 |
| 3．4．2 实例分析与讨论 | 第65-66页 |
| 3．5 本章小结 | 第66-73页 |
| 第四章 基于粗糙集理论的故障诊断知识获取问题的研究 | 第73-95页 |
| 4．1 引言 | 第73页 |
| 4．2 粗糙集理论及应用研究现状 | 第73-76页 |
| 4．2．1 问题提出背景 | 第73-74页 |
| 4．2．2 粗糙集理论研究现状 | 第74-75页 |
| 4．2．3 粗糙集理论应用研究现状 | 第75-76页 |
| 4．3 基于粗糙集的诊断知识建模理论基础 | 第76-82页 |
| 4．3．1 知识与不可分辨关系 | 第76页 |
| 4．3．2 近似与粗糙 | 第76-77页 |
| 4．3．3 知识的约简与相对约简 | 第77-78页 |
| 4．3．4 知识表达系统 | 第78-79页 |
| 4．3．5 决策表 | 第79-80页 |
| 4．3．6 决策表的约简 | 第80-81页 |
| 4．3．7 粗集理论特点 | 第81-82页 |
| 4．4 粗糙集故障诊断知识模型的建立 | 第82-85页 |
| 4．4．1 粗糙集故障诊断知识模型 | 第82-84页 |
| 4．4．2 粗糙集故障诊断知识模型建模的主要步骤 | 第84-85页 |
| 4．5 粗糙集诊断知识建模的关键技术 | 第85-87页 |
| 4．5．1 连续属性离散化 | 第85页 |
| 4．5．2 条件属性约简 | 第85-86页 |
| 4．5．3 条件属性值约简 | 第86页 |
| 4．5．4 决策算法及其最小化 | 第86-87页 |
| 4．6 基于粗糙集理论的故障诊断知识获取的应用研究 | 第87-89页 |
| 4．7 本章小结 | 第89-95页 |
| 第五章 基于多传感器信息融合的集成化智能诊断系统的研究 | 第95-120页 |
| 5．1 引言 | 第95-96页 |
| 5．2 多传感融合技术 | 第96-102页 |
| 5．2．1 多传感器数据融合概念 | 第97页 |
| 5．2．2 多传感器数据融模型 | 第97-98页 |
| 5．2．3 多传感器数据融合系统的融合层次 | 第98-100页 |
| 5．2．4 多传感器数据融合系统结构 | 第100-101页 |
| 5．2．5 多传感器数据融合系统的特点 | 第101-102页 |
| 5．3 数据融合技术用于过程工业系统故障诊断的可行性分析 | 第102-103页 |
| 5．3．1 必要性 | 第102页 |
| 5．3．2 可行性 | 第102页 |
| 5．3．3 基于数据融合的过程工业系统故障诊断方法 | 第102-103页 |
| 5．4 基于数据融合的过程工业系统故障诊断层次划分和诊断策略研究 | 第103-105页 |
| 5．4．1 过程工业系统故障层次分析与分类 | 第103-104页 |
| 5．4．2 过程工业系统故障诊断策略流程 | 第104-105页 |
| 5．5 基于信息融合的复杂过程工业系统中多类故障诊断问题的研究 | 第105-113页 |
| 5．5．1 BP 神经网络在故障诊断中的缺陷 | 第105-106页 |
| 5．5．2 自适应小波网络在故障诊断中的应用 | 第106-110页 |
| 5．5．3 自适应小波网络与常规前馈神经网络的比较 | 第110-111页 |
| 5．5．4 基于信息融合的集成小波网络的多类故障诊断研究 | 第111-113页 |
| 5．6 基于融合策略的集成化智能诊断系统的研究 | 第113-118页 |
| 5．6．1 集成化智能诊断系统模型结构 | 第114-116页 |
| 5．6．2 诊断信息的集成 | 第116页 |
| 5．6．3 诊断知识的集成 | 第116-118页 |
| 5．6．4 集成化诊断推理机制与诊断策略 | 第118页 |
| 5．7 本章小结 | 第118-120页 |
| 第六章 均四甲苯(MTBZ)系统的智能故障诊断系统的开发研究 | 第120-134页 |
| 6．1 引言 | 第120页 |
| 6．2 过程工业系统的计算机集成运行系统(CIPOS) | 第120-121页 |
| 6．3 CIOPS 实验平台的实现 | 第121-122页 |
| 6．4 均四甲苯(MTBZ)系统概述 | 第122-127页 |
| 6．4．1 MTBZ系统描述 | 第122-123页 |
| 6．4．2 系统主要故障与征兆 | 第123-127页 |
| 6．5 故障诊断系统技术方案的确定 | 第127-130页 |
| 6．5．1 基于信号处理的状态监测 | 第127页 |
| 6．5．2 专家系统故障诊断 | 第127-129页 |
| 6．5．3 基于信息融合的集成小波网络故障诊断 | 第129-130页 |
| 6．6 均四甲苯(MTBZ)故障诊断系统的总体结构及功能 | 第130-132页 |
| 6．6．1 系统结构 | 第130-131页 |
| 6．6．2 系统主要辅助功能 | 第131-132页 |
| 6．7 故障诊断系统开发时应考虑的问题 | 第132-133页 |
| 6．8 本章小结 | 第133-134页 |
| 第七章 复杂过程工业系统状态预测方法的研究 | 第134-154页 |
| 7．1 引言 | 第134页 |
| 7．2 预测方法概述 | 第134-136页 |
| 7．3 复杂过程工业系统状态的混沌预测可行性分析 | 第136-138页 |
| 7．3．1 预测可行性 | 第136-137页 |
| 7．3．2 预测思想 | 第137页 |
| 7．3．3 系统可预测期限的度量 | 第137-138页 |
| 7．4 基于混沌时间序列复杂过程工业系统状态预测的研究 | 第138-144页 |
| 7．4．1 混沌系统的相空间重构 | 第138-140页 |
| 7．4．2 系统状态预测模型的建立 | 第140-142页 |
| 7．4．3 实例分析与讨论 | 第142-144页 |
| 7．5 基于小波包-混沌的系统状态预测研究 | 第144-153页 |
| 7．5．1 小波包分析 | 第145-148页 |
| 7．5．2 基于小波包-混沌的系统状态预测模型的建立 | 第148-149页 |
| 7．5．3 实例分析与讨论 | 第149-153页 |
| 7．6 本章小结 | 第153-154页 |
| 第八章 总结与展望 | 第154-157页 |
| 8．1 全文总结 | 第154-155页 |
| 8．2 研究展望 | 第155-157页 |
| 参考文献 | 第157-167页 |
| 发表论文 | 第167-168页 |
| 致谢 | 第168页 |
