| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究意义 | 第10页 |
| 1.2 柴油机故障诊断技术 | 第10-12页 |
| 1.2.1 国内外研究现状 | 第10-11页 |
| 1.2.2 典型方法 | 第11-12页 |
| 1.3 基于信息融合的故障诊断技术 | 第12-15页 |
| 1.3.1 信息融合技术概述 | 第12页 |
| 1.3.2 信息融合技术应用于柴油机故障诊断领域的意义 | 第12-13页 |
| 1.3.3 信息融合的一般框架 | 第13-14页 |
| 1.3.4 国内外研究现状 | 第14-15页 |
| 1.4 论文的主要研究内容 | 第15-16页 |
| 第2章 柴油机的主要故障及监测信息 | 第16-23页 |
| 2.1 引言 | 第16页 |
| 2.2 柴油机的主要结构系统及故障 | 第16-18页 |
| 2.3 柴油机的典型监测信息 | 第18-21页 |
| 2.3.1 振动信号 | 第18-19页 |
| 2.3.2 燃油压力信号 | 第19页 |
| 2.3.3 监测信息对柴油机性能的影响 | 第19-21页 |
| 2.4 柴油机故障诊断中的不确定性 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于粒子群优化RBF神经网络的故障诊断技术 | 第23-44页 |
| 3.1 引言 | 第23页 |
| 3.2 BP神经网络 | 第23-26页 |
| 3.2.1 神经网络概述 | 第23页 |
| 3.2.2 BP神经网络的结构 | 第23-25页 |
| 3.2.3 BP神经网络训练算法 | 第25-26页 |
| 3.3 RBF神经网络 | 第26-30页 |
| 3.3.1 RBF神经网络的结构 | 第26-29页 |
| 3.3.2 RBF神经网络训练算法 | 第29-30页 |
| 3.4 改进PSO优化的RBF神经网络 | 第30-36页 |
| 3.4.1 基本PSO算法 | 第30-32页 |
| 3.4.2 PSO算法的改进 | 第32-33页 |
| 3.4.3 MPSO算法优化RBF神经网络 | 第33-36页 |
| 3.5 基于改进粒子群优化RBF神经网络的柴油机故障诊断 | 第36-43页 |
| 3.5.1 传感器信号的特征提取 | 第36-39页 |
| 3.5.2 神经网络的训练 | 第39-41页 |
| 3.5.3 神经网络测试 | 第41-42页 |
| 3.5.4 测试结果的分析与比较 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 基于相关、冲突证据合成方法的故障诊断 | 第44-60页 |
| 4.1 引言 | 第44页 |
| 4.2 证据理论的基本原理 | 第44-47页 |
| 4.2.1 基本概念 | 第44-46页 |
| 4.2.2 证据理论的合成规则 | 第46-47页 |
| 4.3 基于D-S证据理论的柴油机故障诊断 | 第47-51页 |
| 4.4 相关证据的合成 | 第51-54页 |
| 4.5 冲突证据的加权分配合成 | 第54-59页 |
| 4.5.1 证据冲突的判断 | 第54-55页 |
| 4.5.2 证据冲突的合成 | 第55-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第5章 柴油机故障诊断系统的设计与实现 | 第60-68页 |
| 5.1 引言 | 第60页 |
| 5.2 柴油机故障诊断系统的设计 | 第60-63页 |
| 5.2.1 MFC框架技术 | 第60页 |
| 5.2.2 ADO技术及实现 | 第60-62页 |
| 5.2.3 系统结构和功能设计 | 第62-63页 |
| 5.3 柴油机故障诊断系统的实现 | 第63-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 全文工作成果及结论 | 第68页 |
| 6.2 后续工作展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |
