| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 引言 | 第10页 |
| 1.2 课题的研究背景及意义 | 第10-11页 |
| 1.3 故障诊断技术研究概述 | 第11-16页 |
| 1.3.1 故障定义及其分类 | 第11页 |
| 1.3.2 故障诊断的任务 | 第11-13页 |
| 1.3.3 故障诊断研究现状 | 第13-16页 |
| 1.4 贝叶斯网络及其故障诊断 | 第16-18页 |
| 1.4.1 贝叶斯网络概述 | 第16页 |
| 1.4.2 贝叶斯网络在故障诊断中的应用及优势 | 第16-18页 |
| 1.5 文章主要内容和安排 | 第18-19页 |
| 第2章 贝叶斯网络理论知识概述 | 第19-28页 |
| 2.1 引言 | 第19页 |
| 2.2 贝叶斯网络简介 | 第19-26页 |
| 2.2.1 贝叶斯网络基础知识 | 第19-21页 |
| 2.2.2 贝叶斯网络介绍 | 第21-23页 |
| 2.2.3 贝叶斯网络学习 | 第23-25页 |
| 2.2.4 贝叶斯网络推理 | 第25-26页 |
| 2.3 诊断贝叶斯网络故障诊断与决策问题 | 第26-27页 |
| 2.3.1 传统故障诊断问题 | 第26页 |
| 2.3.2 贝叶斯网络故障诊断问题 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于信号处理的贝叶斯网络故障诊断 | 第28-43页 |
| 3.1 引言 | 第28页 |
| 3.2 证据节点的故障诊断方法原理 | 第28-34页 |
| 3.2.1 概率神经网络故障诊断原理 | 第29-31页 |
| 3.2.2 支持向量机故障诊断原理 | 第31-34页 |
| 3.3 诊断贝叶斯网络设计 | 第34-38页 |
| 3.3.1 基于信号处理的贝叶斯网络结构及节点设计 | 第34-35页 |
| 3.3.2 基于均值属性分析的贝叶斯统计学的参数学习 | 第35-36页 |
| 3.3.3 联合树推理算法 | 第36-38页 |
| 3.4 TE过程故障诊断仿真实验 | 第38-42页 |
| 3.4.1 TE控制系统简介 | 第38-39页 |
| 3.4.2 实验及结果 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于不确定模型的贝叶斯网络故障诊断 | 第43-60页 |
| 4.1 引言 | 第43-44页 |
| 4.2 故障诊断中的系统模型不确定性分析 | 第44-46页 |
| 4.2.1 基于模型故障诊断的基本原理 | 第44-45页 |
| 4.2.2 模型不确定性分析 | 第45-46页 |
| 4.2.3 基于模型诊断中的贝叶斯网络分析 | 第46页 |
| 4.3 基于模型未知输入观测器的故障诊断 | 第46-51页 |
| 4.3.1 未知输入观测器设计理论 | 第47-49页 |
| 4.3.2 未知输入观测器故障分离诊断子系统设计 | 第49-51页 |
| 4.4 诊断贝叶斯网络设计 | 第51-54页 |
| 4.4.1 诊断贝叶斯网络模型概述 | 第51-52页 |
| 4.4.2 诊断贝叶斯网络参数分析及概率推理 | 第52-54页 |
| 4.5 CSTR过程故障诊断仿真实验 | 第54-59页 |
| 4.5.1 CSTR控制系统简介 | 第54-55页 |
| 4.5.2 实验及结构 | 第55-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第5章 基于贝叶斯网络故障诊断在实验设备中的应用 | 第60-72页 |
| 5.1 引言 | 第60页 |
| 5.2 实验设备介绍 | 第60-63页 |
| 5.2.1 实验对象组成 | 第61-62页 |
| 5.2.2 控制台介绍 | 第62-63页 |
| 5.2.3 MCGS组态软件 | 第63页 |
| 5.3 双容水箱设备故障诊断实验 | 第63-71页 |
| 5.3.1 模型建立 | 第63-66页 |
| 5.3.2 故障诊断试验及结果分析 | 第66-71页 |
| 5.5 本章小结 | 第71-72页 |
| 第6章 结论与展望 | 第72-74页 |
| 6.1 结论 | 第72页 |
| 6.2 展望 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 攻读学位期间参加的科研项目和成果 | 第80页 |