| 中文摘要 | 第1-5页 |
| 目录 | 第5-9页 |
| 第一章 绪论 | 第9-17页 |
| 1．1 设备故障诊断概述 | 第9-13页 |
| 1．1．1 设备故障诊断发展的历史与现状 | 第9-11页 |
| 1．1．2 设备故障诊断技术 | 第11-13页 |
| 1．2 信息融合技术的发展状况 | 第13-14页 |
| 1．3 课题提出的背景及意义 | 第14-15页 |
| 1．4 论文的主要研究内容 | 第15-17页 |
| 第二章 设备故障诊断中的信息融合 | 第17-26页 |
| 2．1 信息融合技术的形成与发展 | 第17页 |
| 2．2 信息融合的基本原理 | 第17-18页 |
| 2．3 信息融合的级别 | 第18-20页 |
| 2．4 信息融合的特点 | 第20页 |
| 2．5 信息融合的应用领域 | 第20-21页 |
| 2．6 信息融合的方法 | 第21-23页 |
| 2．7 设备故障诊断中的信息融合利用 | 第23-25页 |
| 2．7．1 设备故障诊断中的信息分类 | 第23-24页 |
| 2．7．2 设备故障诊断中的信息融合 | 第24页 |
| 2．7．3 设备故障诊断信息融合系统 | 第24-25页 |
| 2．8 小结 | 第25-26页 |
| 第三章 基于神经网络信息融合的故障诊断 | 第26-43页 |
| 3．1 BP网络简介 | 第26-29页 |
| 3．1．1 BP网络的结构 | 第26-27页 |
| 3．1．2 BP网络的学习算法 | 第27页 |
| 3．1．3 改进的BP网络学习算法 | 第27-29页 |
| 3．2 神经网络信息融合 | 第29-30页 |
| 3．3 神经网络信息融合模型 | 第30-31页 |
| 3．4 单子神经网络故障诊断的实例分析 | 第31-34页 |
| 3．4．1 大型电机转子振动故障机理与征兆 | 第31-32页 |
| 3．4．2 转子振动信号形成的不同特征信息的融合诊断 | 第32-34页 |
| 3．5 集成神经网络信息融合 | 第34-40页 |
| 3．5．1 集成神经网络的提出 | 第34-35页 |
| 3．5．2 集成神经网络的结构 | 第35-36页 |
| 3．5．3 子神经网络的组建原则 | 第36页 |
| 3．5．4 集成神经网络的实现策略 | 第36-40页 |
| 3．6 集成神经网络信息融合诊断的仿真 | 第40-42页 |
| 3．7 小结 | 第42-43页 |
| 第四章 不确定推理在故障诊断中的应用 | 第43-51页 |
| 4．1 故障诊断中的不确定性 | 第43页 |
| 4．2 贝叶斯（Bayse）方法 | 第43-44页 |
| 4．3 D-S证据理论 | 第44-47页 |
| 4．3．1 D-S证据理论的基本概念 | 第44-46页 |
| 4．3．2 D-S证据理论的组合规则 | 第46-47页 |
| 4．3．3 D-S证据理论的推理过程 | 第47页 |
| 4．4 算例分析 | 第47-50页 |
| 4．5 小结 | 第50-51页 |
| 第五章 基于神经网络与D-S证据理论的综合诊断 | 第51-58页 |
| 5．1 设备故障诊断中的多传感器信息融合 | 第51页 |
| 5．2 D-S证据理论中的基本概率分配函数的构造 | 第51页 |
| 5．3 BP网络与D-S证据理论相结合的综合诊断模型 | 第51-52页 |
| 5．4 BP网络单测点诊断 | 第52-53页 |
| 5．5 D-S证据理论决策融合诊断 | 第53-57页 |
| 5．6 小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 攻读学位期间发表论文 | 第65-66页 |
| 致谢 | 第66页 |