| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-12页 |
| 第一章 绪论 | 第12-23页 |
| ·研究的目的及其意义 | 第12-13页 |
| ·火电厂故障诊断存在的问题及发展趋势 | 第13-15页 |
| ·火电厂故障诊断存在的问题 | 第14-15页 |
| ·火电厂故障诊断系统的发展趋势 | 第15页 |
| ·多源信息融合技术与火电厂故障诊断 | 第15-21页 |
| ·多源信息融合技术用于火电厂故障诊断的动因 | 第15-16页 |
| ·多源信息融合诊断方法 | 第16-20页 |
| ·多源信息融合技术在火电厂中的应用前景 | 第20-21页 |
| ·论文的主要内容 | 第21-23页 |
| 第二章 多源信息融合诊断技术 | 第23-39页 |
| ·引言 | 第23页 |
| ·多源信息融合技术 | 第23-32页 |
| ·多源信息融合概述 | 第23-24页 |
| ·多源信息融合的结构功能模型 | 第24-30页 |
| ·检测融合结构模型 | 第24-26页 |
| ·状态融合结构模型 | 第26-30页 |
| ·数据融合的过程 | 第30-31页 |
| ·融合识别的框架问题 | 第31-32页 |
| ·故障诊断系统中不确定性信息 | 第32-37页 |
| ·诊断系统的不确定性产生原因 | 第32-34页 |
| ·诊断信息的不确定性 | 第32-33页 |
| ·知识的不确定性 | 第33页 |
| ·推理过程的不确定性 | 第33-34页 |
| ·诊断知识不确定性的分类 | 第34页 |
| ·模糊信息引起的知识不确定性 | 第34页 |
| ·灰色信息引起的知识不确定性 | 第34页 |
| ·未确知信息引起的知识不确定性 | 第34页 |
| ·故障诊断系统中不确定性的处理方法 | 第34-37页 |
| ·基于概率论的不确定性处理方法 | 第35页 |
| ·基于模糊理论的不确定性处理方法 | 第35-36页 |
| ·基于灰色理论的不确定性处理方法 | 第36页 |
| ·基于D-S证据理论的不确定性处理方法 | 第36-37页 |
| ·火电厂热力设备故障诊断的信息融合功能模型 | 第37页 |
| ·对信息融合样本的主要要求 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第三章 主分量分析和神经网络相结合的融合诊断策略 | 第39-58页 |
| ·引言 | 第39-40页 |
| ·基于主分量分析的特征优选方法 | 第40-42页 |
| ·主分量分析法概述 | 第40-41页 |
| ·主分量分析法的特征提取 | 第41页 |
| ·主分量个数的选取方法 | 第41-42页 |
| ·神经网络故障识别方法 | 第42-47页 |
| ·BP神经网络故障诊断模型及其算法 | 第42-45页 |
| ·BP神经网络模型 | 第42-43页 |
| ·BP网络学习规则 | 第43-45页 |
| ·BP网络设计 | 第45页 |
| ·RBF神经网络诊断模型及其算法 | 第45-47页 |
| ·RBF网络模型 | 第45-46页 |
| ·网络输出 | 第46页 |
| ·RBF网络学习过程 | 第46-47页 |
| ·主分量和神经网络相结合的凝汽系统故障识别 | 第47-56页 |
| ·凝汽系统故障征兆集的建立 | 第47-50页 |
| ·主分量分析法的凝汽系统故障特征提取 | 第50-51页 |
| ·基于PCA-BP网络的凝汽系统故障诊断实例 | 第51-54页 |
| ·网络训练和测试 | 第52-53页 |
| ·主分量个数选取对凝汽系统故障识别的影响 | 第53-54页 |
| ·基于PCA-RBF网络的凝汽系统故障诊断实例 | 第54-55页 |
| ·分布常数的选取 | 第54-55页 |
| ·网络的测试 | 第55页 |
| ·PCA-BP网络和PCA-RBF网络性能的比较 | 第55-56页 |
| ·本章小结 | 第56-58页 |
| 第四章 基于信息熵和神经Petri网融合诊断策略 | 第58-75页 |
| ·引言 | 第58页 |
| ·Petri网的故障诊断原理 | 第58-61页 |
| ·Petri网的定义与图示方法 | 第59-60页 |
| ·Petri网的图形表示 | 第59页 |
| ·Petri网的定义 | 第59页 |
| ·Petri网的使能规则 | 第59-60页 |
| ·基于Petri网的系统状态变迁的关联矩阵求解法 | 第60页 |
| ·Petri网的故障诊断过程 | 第60-61页 |
| ·产生式规则的Petri网表示 | 第61页 |
| ·用信息熵法确定最佳故障特征集和最佳诊断步骤 | 第61-68页 |
| ·信息熵融合方法 | 第61-62页 |
| ·信息熵的最佳特征选择 | 第62页 |
| ·基于信息熵的凝汽系统故障集优选 | 第62-66页 |
| ·基于信息熵的凝汽系统故障诊断Petri网模型 | 第66-67页 |
| ·诊断实例 | 第67-68页 |
| ·本节小结 | 第68页 |
| ·基于信息熵的故障诊断神经Petri网模型(INPN) | 第68-73页 |
| ·引言 | 第68-69页 |
| ·神经网络与Petri网 | 第69-70页 |
| ·故障神经Petri网的定义 | 第70页 |
| ·凝汽系统故障诊断神经Petri网模型的建立 | 第70-72页 |
| ·诊断实例 | 第72-73页 |
| ·本章小结 | 第73-75页 |
| 第五章 基于分层的混合模型融合诊断策略 | 第75-94页 |
| ·引言 | 第75页 |
| ·分层混合模型的融合诊断功能框图 | 第75-76页 |
| ·基于特征评估的数据预处理 | 第76-78页 |
| ·数据的归一化处理 | 第76-77页 |
| ·特征评估法 | 第77-78页 |
| ·灰色理论与组合神经网络 | 第78-80页 |
| ·灰色关联分析法 | 第78-79页 |
| ·组合神经网络 | 第79-80页 |
| ·多属性决策模型 | 第80-81页 |
| ·火电厂制粉系统故障诊断实例分析 | 第81-93页 |
| ·制粉系统的特点 | 第81-82页 |
| ·故障样本数据的获取 | 第82-84页 |
| ·数据的预处理 | 第84-87页 |
| ·故障程度的关联划分 | 第87-89页 |
| ·神经网络的初步诊断 | 第89-92页 |
| ·多属性决策 | 第92-93页 |
| ·本章小结 | 第93-94页 |
| 第六章 结论与展望 | 第94-96页 |
| ·结论 | 第94-95页 |
| ·展望 | 第95-96页 |
| 参考文献 | 第96-104页 |
| 致谢 | 第104-105页 |
| 攻读博士学位论文期间发表的学术论文 | 第105-106页 |
| 攻读博士学位期间参加的科研工作 | 第106页 |
| 个人简历 | 第106页 |