| 第一章 绪论 | 第1-13页 |
| 1．1 诊断的意义及诊断技术的发展 | 第6-7页 |
| 1．2 设备故障诊断方法 | 第7-9页 |
| 1．2．1 传统故障诊断方法 | 第7页 |
| 1．2．2 模糊诊断方法 | 第7-8页 |
| 1．2．3 诊断专家系统 | 第8-9页 |
| 1．2．4 人工神经网络 | 第9页 |
| 1．3 故障诊断专家系统发展中存在的问题 | 第9-12页 |
| 1．3．1 专家系统的脆弱性 | 第10-11页 |
| 1．3．2 知识获取的瓶颈问题 | 第11页 |
| 1．3．3 其它问题 | 第11-12页 |
| 1．4 本文的研究背景及主要研究对象 | 第12-13页 |
| 第二章 专家系统理论 | 第13-34页 |
| 2．1 故障征兆表示方法及诊断知识库 | 第13-16页 |
| 2．1．1 诊断专家系统结构 | 第13页 |
| 2．1．2 大型汽轮机诊断参数的分类 | 第13-15页 |
| 2．1．3 诊断知识的表示 | 第15-16页 |
| 2．2 基于振动数据的自动诊断 | 第16-22页 |
| 2．2．1 基于振动频谱的故障诊断方法 | 第16-17页 |
| 2．2．2 振动故障模糊聚类分析 | 第17-19页 |
| 2．2．3 模糊关系诊断方法 | 第19-22页 |
| 2．3 基于知识的故障诊断方法 | 第22-27页 |
| 2．3．1 诊断经验知识表示 | 第22-25页 |
| 2．3．2 诊断系统的推理控制策略 | 第25-27页 |
| 2．4 基于神经网络的知识获取技术及自学习 | 第27-34页 |
| 2．4．1 基于人工神经网络的知识获取技术 | 第27页 |
| 2．4．2 机械设备故障诊断问题模型 | 第27-28页 |
| 2．4．3 从实例学习获取知识的模型 | 第28-30页 |
| 2．4．4 将产生式规则编码转化为神经网络的学习样本的知识获取模型 | 第30页 |
| 2．4．5 模糊推理神经网络的知识获取模型 | 第30-31页 |
| 2．4．6 ES中的规则以逻辑化的形式表现于网络中的知识获取模型 | 第31-34页 |
| 第三章 故障诊断专家系统的改进 | 第34-62页 |
| 3．1 TG40系统介绍 | 第34-38页 |
| 3．1．1 TG40总体介绍 | 第34页 |
| 3．1．2 TG40系统硬件结构 | 第34-36页 |
| 3．1．3 TG40系统软件结构和功能 | 第36页 |
| 3．1．4 TG40系统诊断功能简介 | 第36-38页 |
| 3．2 基于振动数据的自动诊断改进 | 第38-41页 |
| 3．2．1 在线模糊诊断 | 第38-39页 |
| 3．2．2 自动诊断结果的的归一化显示 | 第39-41页 |
| 3．3 诊断专家系统信息结构 | 第41-49页 |
| 3．3．1 征兆文件库 | 第41-44页 |
| 3．3．2 故障文件库 | 第44-47页 |
| 3．3．3 征兆运行结构 | 第47-48页 |
| 3．3．4 故障运行结构 | 第48-49页 |
| 3．4 诊断数据规范化存储 | 第49-53页 |
| 3．4．1 规范数据库 | 第49-52页 |
| 3．4．2 实时数据库 | 第52-53页 |
| 3．5 升降机数据诊断实例 | 第53-57页 |
| 3．6 专家系统综合诊断的知识自动获取 | 第57-62页 |
| 3．6．1 图形征兆的自动获取及方法分类 | 第58-60页 |
| 3．6．2 直线类故障的自动获取 | 第60-61页 |
| 3．6．3 周期函数类故障的自动获取 | 第61页 |
| 3．6．4 非直线非周期函数类故障的自动获取 | 第61-62页 |
| 第四章 结论与展望 | 第62-64页 |
| 4．1 结论 | 第62页 |
| 4．2 故障诊断专家系统的发展方向 | 第62-64页 |
| 主要参考文献 | 第64-66页 |
| 致谢 | 第66页 |