| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-13页 |
| 第一章 绪论 | 第13-24页 |
| ·本文选题的背景及意义 | 第13-14页 |
| ·故障诊断技术的发展及研究现状 | 第14-15页 |
| ·智能故障诊断方法的研究和应用 | 第15-20页 |
| ·智能故障诊断方法分类 | 第15-16页 |
| ·专家系统的发展过程及应用 | 第16-19页 |
| ·神经网络的发展过程及应用 | 第19-20页 |
| ·高功率激光装置参数测量电控系统智能故障诊断的功能分析 | 第20-21页 |
| ·论文的主要内容及结构安排 | 第21-23页 |
| ·论文的主要创新点 | 第23-24页 |
| 第二章 智能故障诊断系统结构及相关理论方法研究 | 第24-35页 |
| ·高功率激光装置参数测量电控系统的基本组成及故障机理 | 第24-30页 |
| ·高功率激光装置参数测量电控系统的工作过程 | 第24-27页 |
| ·高功率激光装置参数测量电控系统的基本组成 | 第27-28页 |
| ·高功率激光装置参数测量电控系统的故障机理 | 第28-30页 |
| ·智能故障诊断系统的结构 | 第30-31页 |
| ·各子系统的设计 | 第31-33页 |
| ·人机交互界面 | 第31页 |
| ·状态监测子系统 | 第31页 |
| ·数据采集及规则获取 | 第31-32页 |
| ·数据库、知识库设计 | 第32页 |
| ·故障诊断子系统 | 第32页 |
| ·维修决策子系统 | 第32-33页 |
| ·相关理论方法概述 | 第33-34页 |
| ·粗糙集理论 | 第33页 |
| ·RBF 神经网络 | 第33页 |
| ·RBR 和 CBR 理论 | 第33-34页 |
| ·RCM理论 | 第34页 |
| ·本章小结 | 第34-35页 |
| 第三章 基于粗糙集理论的故障诊断规则获取研究 | 第35-49页 |
| ·粗糙集理论 | 第35-39页 |
| ·RS 基本理论与概念 | 第35-36页 |
| ·RS 理论与数据挖掘的关系 | 第36-37页 |
| ·RS 理论的主要特点与应用 | 第37-39页 |
| ·知识约简 | 第39-43页 |
| ·可辨识矩阵 | 第39页 |
| ·知识约简算法的提出 | 第39-40页 |
| ·算法描述及说明 | 第40-43页 |
| ·决策信息表建立、约简及规则获取 | 第43-45页 |
| ·决策信息表的建立 | 第43-44页 |
| ·决策信息表的约简 | 第44页 |
| ·规则产生及确定度度量 | 第44-45页 |
| ·高功率激光装置参数测量电控系统主放电源管理箱故障知识规则获取应用实例 | 第45-47页 |
| ·知识约简及规则获取 | 第45-46页 |
| ·规则确定度的计算 | 第46-47页 |
| ·本章小结 | 第47-49页 |
| 第四章 RBF云神经网络及其在故障诊断中的应用 | 第49-59页 |
| ·RBF 神经网络 | 第49-51页 |
| ·RBF 神经网络概述 | 第49页 |
| ·RBF 神经网络的特点和模型 | 第49-51页 |
| ·云理论的基本知识 | 第51-54页 |
| ·云的基本概念 | 第51页 |
| ·云的数字特征 | 第51-52页 |
| ·云发生器的原理 | 第52-54页 |
| ·RBF 云神经网络 | 第54-55页 |
| ·仿真工具 MATLAB7.1 介绍 | 第55-56页 |
| ·RBF 云神经网络在高功率激光装置参数测量电控系统故障诊断中的应用 | 第56-57页 |
| ·本章小结 | 第57-59页 |
| 第五章 基于 RBF 云神经网络和专家系统的智能故障诊断研究 | 第59-82页 |
| ·神经网络和专家系统相互协调工作的结构及故障诊断原理 | 第59-60页 |
| ·面向对象的知识表示方法 | 第60-63页 |
| ·知识表示的主要方法 | 第60-62页 |
| ·面向对象(OO)的知识表示概述 | 第62页 |
| ·面向对象的知识表示结构 | 第62-63页 |
| ·RBR的理论与技术 | 第63-68页 |
| ·RBR 理论概述 | 第63-64页 |
| ·RBR 的推理方式及控制策略 | 第64-67页 |
| ·RBR推理的冲突消解策略 | 第67-68页 |
| ·RBR 的主要特点 | 第68页 |
| ·CBR的理论与技术 | 第68-73页 |
| ·CBR 的概述 | 第68页 |
| ·CBR 的工作原理 | 第68-69页 |
| ·CBR 的推理过程及相关技术 | 第69-73页 |
| ·CBR 的主要特点 | 第73页 |
| ·CBR推理与RBR推理的融合 | 第73-78页 |
| ·电控系统的功能结构划分 | 第74-75页 |
| ·RBR、CBR 的协调诊断组织结构 | 第75-76页 |
| ·RBR、CBR 的协调诊断步骤 | 第76-77页 |
| ·RBR、CBR 之间的相互转换 | 第77-78页 |
| ·RBF云神经网络、RBR及CBR相互协调的故障诊断 | 第78-81页 |
| ·RBF云神经网络、RBR、CBR三者协调诊断的结构 | 第79页 |
| ·RBF云神经网络、RBR、CBR三者协调的故障诊断 | 第79-81页 |
| ·本章小结 | 第81-82页 |
| 第六章 高功率激光装置参数测量电控系统故障维修决策研究 | 第82-103页 |
| ·概述 | 第82页 |
| ·RCM维修决策方法 | 第82页 |
| ·RCM的基本问题及一般步骤 | 第82-85页 |
| ·RCM 的基本问题 | 第82-83页 |
| ·RCM 的一般步骤 | 第83-85页 |
| ·主放参数测量组件的RCM分析 | 第85-88页 |
| ·维修方式决策 | 第88-95页 |
| ·三种维修方式比较及决策方法 | 第88-89页 |
| ·模糊综合评价的数学模型 | 第89-92页 |
| ·层次分析法 | 第92-93页 |
| ·维修方式决策模型 | 第93-95页 |
| ·维修周期决策 | 第95-100页 |
| ·定期维修模型及维修周期决策 | 第96-97页 |
| ·可用性最大原则下最佳维修周期的确定 | 第97-99页 |
| ·按总费用最小原则确定最佳维修周期 | 第99-100页 |
| ·按模糊决策法确定最佳维修周期 | 第100页 |
| ·维修决策的评价-模糊综合评价理论 | 第100-102页 |
| ·变权理论 | 第100-102页 |
| ·变权模糊综合评价模型 | 第102页 |
| ·本章小结 | 第102-103页 |
| 第七章 高功率激光装置参数测量系统电控系统智能故障诊断的实现 | 第103-119页 |
| ·概述 | 第103页 |
| ·系统的开发平台选择 | 第103-105页 |
| ·系统的开发环境 | 第105页 |
| ·智能诊断系统的总体设计 | 第105-109页 |
| ·系统功能需求 | 第105-106页 |
| ·系统功能模块设计 | 第106-107页 |
| ·系统工作流程 | 第107-109页 |
| ·智能诊断系统的设计及实现 | 第109-118页 |
| ·数据库的设计 | 第109-111页 |
| ·推理机的设计 | 第111-113页 |
| ·智能故障诊断功能的实现 | 第113-118页 |
| ·本章小结 | 第118-119页 |
| 第八章 结论及展望 | 第119-122页 |
| ·结论 | 第119-120页 |
| ·展望 | 第120-122页 |
| 参考文献 | 第122-131页 |
| 攻读博士期间发表文章 | 第131页 |
