| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 引言 | 第8-14页 |
| ·设备故障诊断概述 | 第8-11页 |
| ·设备故障诊断的目的和过程 | 第8-9页 |
| ·设备故障诊断的定义 | 第9页 |
| ·设备故障诊断的方法 | 第9-11页 |
| ·信息融合技术的发展现状和研究意义 | 第11-14页 |
| ·信息融合技术起源 | 第11页 |
| ·信息融合技术国内外研究状况 | 第11-14页 |
| 第2章 基于信息融合的故障诊断模型 | 第14-27页 |
| ·信息融合技术的定义及原理 | 第14页 |
| ·信息融合技术的种类及级别 | 第14-15页 |
| ·信息融合的相关技术和方法及其与故障诊断技术的关系 | 第15-16页 |
| ·融合诊断系统 | 第16-18页 |
| ·融合诊断系统的提出 | 第16页 |
| ·融合诊断系统的模型 | 第16-18页 |
| ·信息融合诊断的一般方法 | 第18-27页 |
| ·基于统计的信息融合诊断方法 | 第18-20页 |
| ·基于认识模型的信息融合诊断方法 | 第20-22页 |
| ·基于参数估计的信息融合诊断方法 | 第22页 |
| ·基于滤波技术的信息融合诊断方法 | 第22-23页 |
| ·基于人工智能的信息融合诊断方法 | 第23-27页 |
| 第3章 故障诊断及离心式风机的故障机理分析 | 第27-34页 |
| ·离心式风机的构造 | 第27页 |
| ·离心式风机的工作原理 | 第27页 |
| ·离心式风机的故障机理分析 | 第27-34页 |
| ·常见故障 | 第28页 |
| ·故障机理的分析 | 第28-30页 |
| ·选择测量参数 | 第30-32页 |
| ·故障特征样本 | 第32-34页 |
| 第4章 基于BP神经网络的离心式风机故障诊断 | 第34-46页 |
| ·神经网络概述 | 第34-38页 |
| ·神经元模型 | 第34-35页 |
| ·传输函数 | 第35-37页 |
| ·网络结构 | 第37-38页 |
| ·BP神经网络模型 | 第38-41页 |
| ·BP神经元及BP网络模型 | 第38页 |
| ·BP神经网络的特点 | 第38-39页 |
| ·BP神经网络的学习算法 | 第39-41页 |
| ·基于BP神经网络的离心式风机故障诊断 | 第41-46页 |
| ·神经网络用于故障诊断的原因 | 第41页 |
| ·训练样本的选择 | 第41-42页 |
| ·诊断模型的建立 | 第42-44页 |
| ·仿真结果 | 第44-46页 |
| 第5章 基于综合关联度的离心式风机故障诊断 | 第46-54页 |
| ·灰色关联理论 | 第46-48页 |
| ·灰色关联理论概述 | 第46-47页 |
| ·灰色关联基本原理 | 第47-48页 |
| ·灰色关联的性质 | 第48页 |
| ·模糊聚类分析中的相似系数 | 第48-50页 |
| ·综合关联度 | 第50-51页 |
| ·灰色关联模型 | 第51-52页 |
| ·诊断实例 | 第52-53页 |
| ·结论 | 第53-54页 |
| 第6章 基于证据理论的信息融合技术 | 第54-61页 |
| ·证据理论的基本概念与公式 | 第54-55页 |
| ·证据理论的组合规则 | 第55-56页 |
| ·证据理论的决策原则及其优点 | 第56-58页 |
| ·证据理论的决策原则 | 第56-57页 |
| ·证据理论的优点 | 第57-58页 |
| ·基于证据理论的风机故障诊断模型及步骤 | 第58-61页 |
| ·风机故障诊断模型的建立 | 第58页 |
| ·诊断步骤 | 第58-61页 |
| 第7章 离心式风机融合诊断与仿真 | 第61-69页 |
| ·BP网络与D-S证据理论相结合的诊断模型 | 第61-65页 |
| ·BP神经网络局部诊断 | 第62-63页 |
| ·构造D-S证据理论的基本概率分配函数 | 第63-64页 |
| ·基于D-S证据理论的局部融合 | 第64-65页 |
| ·综合关联度与D-S证据理论相结合的诊断模型 | 第65-67页 |
| ·基于D-S证据理论的全局决策级融合诊断模型 | 第67-69页 |
| 第8章 结论与展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 附录A 求综合关联度程序代码 | 第75-77页 |
| 附录B 用神经网络输出构造Mass函数程序代码 | 第77-79页 |
| 附录C 证据融合部分程序代码 | 第79-81页 |
| 在读期间撰写的论文 | 第81页 |