| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 论文研究背景及意义 | 第8-9页 |
| 1.2 设备诊断技术的重要意义 | 第9-10页 |
| 1.3 智能故障诊断方法的研究现状及发展 | 第10-14页 |
| 1.3.1 智能故障诊断的研究现状 | 第11页 |
| 1.3.2 几种智能故障诊断模型的比较 | 第11-13页 |
| 1.3.3 智能故障诊断的发展趋势 | 第13-14页 |
| 1.4 论文主要工作及章节安排 | 第14-15页 |
| 第2章 高炉冶炼系统研究 | 第15-22页 |
| 2.1 高炉工艺 | 第15-16页 |
| 2.1.1 高炉生产的工艺流程 | 第15-16页 |
| 2.1.2 高炉本体控制工艺 | 第16页 |
| 2.2 高炉生产的特点 | 第16-21页 |
| 2.2.1 炉内状况描述 | 第17页 |
| 2.2.2 高炉炉况判断的意义 | 第17-19页 |
| 2.2.3 高炉异常炉况 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第3章 贝叶斯网络方法的研究 | 第22-34页 |
| 3.1 贝叶斯方法的概述 | 第22-25页 |
| 3.1.1 贝叶斯方法的基本观点 | 第22-23页 |
| 3.1.2 基本贝叶斯分类模型 | 第23-25页 |
| 3.2 贝叶斯网络的综述 | 第25-29页 |
| 3.2.1 贝叶斯网络的基本规则 | 第25-26页 |
| 3.2.2 贝叶斯网络的定义 | 第26-28页 |
| 3.2.3 单连通和多连通的贝叶斯网络 | 第28页 |
| 3.2.4 贝叶斯网络的建模 | 第28-29页 |
| 3.3 贝叶斯网络的学习 | 第29-32页 |
| 3.3.1 贝叶斯网络的参数学习 | 第29页 |
| 3.3.2 贝叶斯网络的概率分布学习 | 第29-31页 |
| 3.3.3 贝叶斯网络的结构学习 | 第31-32页 |
| 3.4 贝叶斯网络的推理 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 贝叶斯网络在高炉故障诊断中的应用研究 | 第34-45页 |
| 4.1 前言 | 第34页 |
| 4.2 故障数据采集及预处理 | 第34-36页 |
| 4.2.1 故障类型的确定 | 第34-35页 |
| 4.2.2 故障数据的处理 | 第35-36页 |
| 4.3 高炉故障诊断网络结构的确定 | 第36-40页 |
| 4.3.1 基于因果关系的贝叶斯网络诊断模型 | 第37-38页 |
| 4.3.2 基于简单贝叶斯网络的诊断模型 | 第38-39页 |
| 4.3.3 诊断结果分析与对比 | 第39-40页 |
| 4.4 不完备数据集概率参数训练 | 第40-44页 |
| 4.4.1 Monte-Carlo 方法或采样算法 | 第40页 |
| 4.4.2 Gaussian 近似算法 | 第40-41页 |
| 4.4.3 EM 算法 | 第41-42页 |
| 4.4.4 故障诊断算法比较分析研究 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 结论与展望 | 第45-46页 |
| 致谢 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 附录1 攻读硕士学位期间发表的论文 | 第50-51页 |
| 详细摘要 | 第51-56页 |