摘要 | 第4-5页 |
abstract | 第5页 |
第一章 绪论 | 第12-19页 |
1.1 课题研究背景与意义 | 第12-13页 |
1.2 国内外研究现状 | 第13-16页 |
1.2.1 故障诊断研究现状 | 第13-15页 |
1.2.2 维修排故信息研究现状 | 第15-16页 |
1.3 现有方法的不足 | 第16-17页 |
1.4 本文的研究内容和章节安排 | 第17-19页 |
第二章 基于本体与蚁群的维修排故信息集成 | 第19-31页 |
2.1 基于本体与蚁群的维修排故信息集成思路 | 第19-20页 |
2.2 维修排故信息初始本体建模 | 第20-24页 |
2.2.1 本体的概念和作用 | 第20-21页 |
2.2.2 本体描述语言 | 第21-22页 |
2.2.3 维修排故信息初始本体构建步骤 | 第22-24页 |
2.3 基于蚁群信息素的本体合成优化 | 第24-27页 |
2.3.1 基于蚁群信息素的本体合成优化步骤 | 第24-25页 |
2.3.2 基于蚁群信息素的本体合成优化算法 | 第25-27页 |
2.4 实验验证 | 第27-29页 |
2.5 本章小结 | 第29-31页 |
第三章 基于功能结构的TFM三维信息流建模方法 | 第31-47页 |
3.1 TFM三维信息流模型定义及建模思路 | 第31-32页 |
3.2 基于FFA与SDG的TFM框架建模 | 第32-37页 |
3.2.1 系统功能故障分析 | 第32-33页 |
3.2.2 基于SDG的TFM框架模型建立 | 第33-36页 |
3.2.3 某型飞机气源系统TFM框架建模 | 第36-37页 |
3.3 基于多信号流图方法的测试-故障信息关联 | 第37-39页 |
3.4 基于贝叶斯网络的故障-维修信息映射 | 第39-46页 |
3.4.1 故障-维修本体映射实现方法 | 第39-45页 |
3.4.2 本体映射实验评估 | 第45-46页 |
3.5 本章小结 | 第46-47页 |
第四章 基于TFM三维信息流模型的诊断排故算法 | 第47-58页 |
4.1 基于优化信息熵的故障诊断算法 | 第47-51页 |
4.1.1 信息熵的概念 | 第47-48页 |
4.1.2 信息熵理论处理测试-故障关联矩阵的可行性分析 | 第48页 |
4.1.3 基于优化信息熵的诊断算法 | 第48-49页 |
4.1.4 算法实例验证 | 第49-51页 |
4.2 基于模糊遗传神经网络与语义关联搜索的排故信息推送算法 | 第51-57页 |
4.2.1 信息推送简介 | 第51-52页 |
4.2.2 基于遗传模糊神经网络的动态预测算法 | 第52-55页 |
4.2.3 语义关联搜索算法 | 第55-56页 |
4.2.4 排故信息推送的实现 | 第56-57页 |
4.3 本章小结 | 第57-58页 |
第五章 基于TFM三维信息流模型的维修排故系统设计与实现 | 第58-75页 |
5.1 系统需求分析及总体设计 | 第58页 |
5.2 系统总体设计 | 第58-59页 |
5.3 系统数据库设计 | 第59-65页 |
5.3.1 OWL本体存入数据库 | 第60页 |
5.3.2 维修手册存入数据库 | 第60-63页 |
5.3.3 故障信息存入数据库 | 第63-64页 |
5.3.4 测试信息存入数据库 | 第64-65页 |
5.4 子系统设计 | 第65-67页 |
5.4.1 维修排故信息管理子系统 | 第65-66页 |
5.4.2 测试诊断子系统 | 第66-67页 |
5.4.3 维修指导子系统 | 第67页 |
5.5 系统功能实现 | 第67-74页 |
5.6 本章小结 | 第74-75页 |
第六章 总结与展望 | 第75-77页 |
6.1 本文主要完成工作 | 第75-76页 |
6.2 研究展望 | 第76-77页 |
参考文献 | 第77-81页 |
致谢 | 第81-82页 |
在学期间的研究成果及发表的学术论文 | 第82-83页 |
附录 气源系统TF矩阵中代号含义 | 第83页 |