| 摘要 | 第1-3页 |
| Abstract | 第3-8页 |
| 第一章 绪论 | 第8-21页 |
| ·课题背景及研究目的和意义 | 第8-10页 |
| ·课题背景 | 第8页 |
| ·研究目的和意义 | 第8-10页 |
| ·故障诊断方法综述 | 第10-15页 |
| ·基于信号处理的故障诊断方法 | 第10-11页 |
| ·基于深知识的故障诊断方法 | 第11页 |
| ·基于浅知识的故障诊断方法 | 第11-15页 |
| ·基于人工免疫理论的故障诊断综述及应用潜力 | 第15-19页 |
| ·基于免疫理论的故障诊断综述 | 第15-17页 |
| ·人工免疫理论在故障诊断中的应用潜力 | 第17-19页 |
| ·课题主要研究内容 | 第19-20页 |
| ·论文结构安排 | 第20-21页 |
| 第二章 生物免疫学基本理论与人工免疫网络及算法 | 第21-35页 |
| ·生物免疫学原理 | 第21-25页 |
| ·生物免疫学的基本概念 | 第21-22页 |
| ·生物免疫系统组成 | 第22-23页 |
| ·生物免疫系统的结构模型 | 第23-24页 |
| ·生物免疫系统的工作机制与特性 | 第24-25页 |
| ·人工免疫网络及算法 | 第25-31页 |
| ·人工免疫网络 | 第25-27页 |
| ·aiNet免疫网络 | 第27-28页 |
| ·一般免疫算法 | 第28-31页 |
| ·人工免疫算法与进化算法 | 第31-33页 |
| ·免疫算法与遗传算法之间的联系 | 第31-32页 |
| ·免疫算法与遗传算法的融合 | 第32-33页 |
| ·免疫系统和神经网络 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 基于反向选择机理的设备异常检测方法研究 | 第35-52页 |
| ·引言 | 第35页 |
| ·设备运行状态的描述 | 第35-36页 |
| ·反向选择机理及反向选择算法 | 第36-42页 |
| ·反向选择机理 | 第36-37页 |
| ·反向选择算法及分析 | 第37-42页 |
| ·改进型反向选择算法(Modified Negative Selection Algorithm,MNSA) | 第42-46页 |
| ·改进型反向选择算法算法的提出 | 第42-44页 |
| ·检测器数量的确定 | 第44-45页 |
| ·检测器分布程度的评价 | 第45-46页 |
| ·实验仿真及分析 | 第46-51页 |
| ·实验数据的特征参数的选取及提取 | 第46-47页 |
| ·实验仿真及结果分析 | 第47-51页 |
| ·本章小结 | 第51-52页 |
| 第四章 基于克隆选择机理的故障诊断方法研究 | 第52-66页 |
| ·引言 | 第52-53页 |
| ·免疫系统的克隆选择机理 | 第53-54页 |
| ·克隆选择算法(Clonal Selection Algorithm, CSA) | 第54-56页 |
| ·基于克隆选择机理的故障诊断模型 | 第56-62页 |
| ·相关定义 | 第57页 |
| ·克隆选择、变异进化学习 | 第57-61页 |
| ·在线诊断、动态学习过程 | 第61-62页 |
| ·C618型车床齿轮箱故障诊断实例 | 第62-64页 |
| ·本章小结及结论 | 第64-66页 |
| 第五章 基于免疫神经网络的复杂故障信息模式诊断方法研究 | 第66-84页 |
| ·引言 | 第66-69页 |
| ·设备故障模式诊断的一般方法 | 第69页 |
| ·设备故障模式识别模型描述 | 第69页 |
| ·基于统计概率的信息分类 | 第69-73页 |
| ·故障信息量和信息熵 | 第69-72页 |
| ·模式分类的贝叶斯策略 | 第72-73页 |
| ·基于免疫神经网络的故障诊断 | 第73-78页 |
| ·径向基神经网络(RBFN) | 第73-75页 |
| ·免疫神经网络结构图 | 第75-76页 |
| ·免疫进化学习算法 | 第76-77页 |
| ·后验概率估计和信息优化处理 | 第77-78页 |
| ·仿真实验分析 | 第78-82页 |
| ·圆锥轴承故障诊断实例仿真 | 第78-81页 |
| ·Iris 数据分类实验 | 第81-82页 |
| ·本章小结及结论 | 第82-84页 |
| 全文创新点及后续工作 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 附录 | 第89-94页 |
| 致谢 | 第94-95页 |
| 硕士期间发表的学术论文 | 第95页 |
