贝叶斯网络在水电机组状态检修中的应用研究
| 摘 要 | 第3-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-20页 |
| 1.1 引言 | 第9-10页 |
| 1.2 水电机组状态检修概述 | 第10-15页 |
| 1.3 贝叶斯网络及其应用概况 | 第15-17页 |
| 1.4 研究背景与意义 | 第17-18页 |
| 1.5 论文结构与内容 | 第18-20页 |
| 2 水电机组状态检修的实施与系统结构设计 | 第20-40页 |
| 2.1 引言 | 第20页 |
| 2.2 水电机组状态检修的实施 | 第20-24页 |
| 2.3 水电机组状态检修系统结构设计 | 第24-25页 |
| 2.4 水电机组状态信号的采集 | 第25-30页 |
| 2.5 水电机组状态信号的特征提取 | 第30-37页 |
| 2.6 水电机组的运行状态识别 | 第37-39页 |
| 2.7 本章小结 | 第39-40页 |
| 3 水电机组振动故障机理 | 第40-52页 |
| 3.1 引言 | 第40-41页 |
| 3.2 水电机组的主要振动故障机理研究 | 第41-46页 |
| 3.3 水电机组振动故障的传统诊断方法 | 第46-49页 |
| 3.4 振动信号测点的布置 | 第49-51页 |
| 3.5 本章小结 | 第51-52页 |
| 4 贝叶斯网络的基本理论 | 第52-64页 |
| 4.1 引言 | 第52页 |
| 4.2 贝叶斯理论的基本思想 | 第52-54页 |
| 4.3 贝叶斯网络的基本理论 | 第54-63页 |
| 4.4 本章小结 | 第63-64页 |
| 5 PPTC概率推理算法的优化与实现 | 第64-85页 |
| 5.1 引言 | 第64页 |
| 5.2 PPTC算法中的基本概念 | 第64-66页 |
| 5.3 联合树及其构造方法 | 第66-71页 |
| 5.4 PPTC算法的概率推理 | 第71-80页 |
| 5.5 基于Matlab的PPTC算法实现 | 第80-81页 |
| 5.6 PPTC算法实现中的优化 | 第81-83页 |
| 5.7 优化后的概率推理性能比较 | 第83-84页 |
| 5.8 本章小结 | 第84-85页 |
| 6 基于贝叶斯网络的水电机组状态检修系统 | 第85-100页 |
| 6.1 引言 | 第85页 |
| 6.2 基于贝叶斯网络的知识表示 | 第85-87页 |
| 6.3 基于贝叶斯网络的专家系统建模 | 第87-89页 |
| 6.4 专家系统的推理机制 | 第89-91页 |
| 6.5 专家系统的应用与分析 | 第91-93页 |
| 6.6 基于贝叶斯网络的水电机组检修策略 | 第93-94页 |
| 6.7 基于贝叶斯网络的检修决策系统 | 第94-99页 |
| 6.8 本章小结 | 第99-100页 |
| 7 水电机组状态检修系统的知识获取 | 第100-117页 |
| 7.1 引言 | 第100页 |
| 7.2 贝叶斯学习理论 | 第100-108页 |
| 7.3 完整数据集下的贝叶斯网络参数学习 | 第108-110页 |
| 7.4 不完整数据集下的贝叶斯网络参数学习 | 第110-112页 |
| 7.5 基于最大信息熵的学习算法(ME算法) | 第112-115页 |
| 7.6 ME算法与EM算法的性能分析 | 第115-116页 |
| 7.7 本章小结 | 第116-117页 |
| 8 结束语 | 第117-120页 |
| 8.1 全文总结 | 第117-118页 |
| 8.2 工作展望 | 第118-120页 |
| 致 谢 | 第120-121页 |
| 参考文献 | 第121-129页 |
| 附录1 攻读学位期间发表论文目录 | 第129-130页 |
| 附录2 攻读学位期间参与的课题研究 | 第130页 |
