| 摘要 | 第4-7页 |
| abstract | 第7-10页 |
| 第1章 绪论 | 第15-33页 |
| 1.1 研究背景及意义 | 第15-17页 |
| 1.2 状态监测技术研究现状 | 第17-21页 |
| 1.2.1 定性与定量状态监测方法研究现状 | 第17-19页 |
| 1.2.2 在线与离线状态监测方法研究现状 | 第19-20页 |
| 1.2.3 新兴状态监测方法研究现状 | 第20-21页 |
| 1.3 智能故障诊断技术研究现状 | 第21-24页 |
| 1.3.1 柴油机智能故障诊断研究现状 | 第21-23页 |
| 1.3.2 柴油机磨损故障诊断研究现状 | 第23-24页 |
| 1.4 证据推理方法研究现状 | 第24-28页 |
| 1.4.1 证据推理方法理论研究现状 | 第24-27页 |
| 1.4.2 证据推理方法在故障诊断中的研究现状 | 第27-28页 |
| 1.5 船舶柴油机智能磨损故障诊断存在的问题 | 第28-29页 |
| 1.6 课题来源 | 第29页 |
| 1.7 本文主要研究内容 | 第29-33页 |
| 第2章 船舶柴油机磨损状态监测与特征提取 | 第33-47页 |
| 2.1 船舶柴油机磨损状态监测系统 | 第33-38页 |
| 2.1.1 基于油液监测的船舶柴油机磨损状态监测系统 | 第33-34页 |
| 2.1.2 船舶柴油机磨损状态监测系统的安装设计 | 第34-36页 |
| 2.1.3 船舶柴油机远程磨损状态监测系统 | 第36-38页 |
| 2.2 船舶柴油机磨损状态特征提取方法 | 第38-40页 |
| 2.2.1 在线磨损状态参数提取 | 第38页 |
| 2.2.2 油液组成成分特征提取 | 第38-39页 |
| 2.2.3 磨粒特征提取 | 第39-40页 |
| 2.3 样本集和数据预处理 | 第40-46页 |
| 2.3.1 样本集 | 第40-42页 |
| 2.3.2 样本集数据特征分析 | 第42-43页 |
| 2.3.3 样本集数据预处理 | 第43-46页 |
| 2.4 本章小结 | 第46-47页 |
| 第3章 基于BRB的磨损部件类别定位 | 第47-68页 |
| 3.1 问题的提出 | 第47页 |
| 3.2 BRB方法 | 第47-51页 |
| 3.2.1 置信规则库 | 第48-49页 |
| 3.2.2 输入数据转化 | 第49页 |
| 3.2.3 规则推理 | 第49-50页 |
| 3.2.4 BRB模型优化 | 第50-51页 |
| 3.3 船舶柴油机磨损部件类别定位模型结构 | 第51-54页 |
| 3.3.1 单一故障诊断模型结构 | 第51-52页 |
| 3.3.2 多故障整体诊断模型结构 | 第52页 |
| 3.3.3 多故障并行诊断模型结构 | 第52-54页 |
| 3.4 基于BRB模型的船舶柴油机磨损部件类别定位 | 第54-59页 |
| 3.4.1 模型结构和参考等级的确定 | 第54-57页 |
| 3.4.2 活塞异常磨损诊断BRB子模型 | 第57页 |
| 3.4.3 缸套-活塞环异常磨损诊断BRB子模型 | 第57-58页 |
| 3.4.4 主轴承异常磨损诊断BRB子模型 | 第58页 |
| 3.4.5 润滑油污染诊断BRB子模型 | 第58-59页 |
| 3.5 基于BRB的磨损部件类别定位模型性能分析 | 第59-66页 |
| 3.5.1 不同模型的性能对比 | 第59-64页 |
| 3.5.2 模型实例验证 | 第64-66页 |
| 3.6 本章小结 | 第66-68页 |
| 第4章 基于BRB模型的磨粒类型辨识 | 第68-107页 |
| 4.1 问题的提出 | 第68-69页 |
| 4.2 BBRB模型的构建 | 第69-75页 |
| 4.2.1 磨粒类型辨识模型结构 | 第69-70页 |
| 4.2.2 BBRB模型的置信规则库 | 第70-71页 |
| 4.2.3 前件特征参考等级的确定 | 第71-72页 |
| 4.2.4 输入样本转化 | 第72-73页 |
| 4.2.5 规则推理 | 第73-74页 |
| 4.2.6 基于GA的BBRB模型优化 | 第74-75页 |
| 4.3 基于BBRB模型的船舶柴油机磨粒类型辨识 | 第75-78页 |
| 4.3.1 前件特征参考等级的确定 | 第75页 |
| 4.3.2 初始置信规则库的建立及推理 | 第75-76页 |
| 4.3.3 BBRB模型优化 | 第76-78页 |
| 4.4 基于BBRB的磨粒类型辨识模型性能分析 | 第78-84页 |
| 4.4.1 对比模型 | 第78页 |
| 4.4.2 模型对比验证结果 | 第78-82页 |
| 4.4.3 模型实例验证 | 第82-84页 |
| 4.5 基于BRB的辨识模型的不完备性分析 | 第84-89页 |
| 4.5.1 参考等级缺失导致的模型不完备性 | 第85-87页 |
| 4.5.2 输出后件属性缺失导致的模型不完备性 | 第87-89页 |
| 4.5.3 规则缺失导致的模型不完备性 | 第89页 |
| 4.6 不完备辨识模型的更新策略 | 第89-96页 |
| 4.6.1 参考等级的增加 | 第89-92页 |
| 4.6.2 基于新类别样本的模型更新 | 第92-94页 |
| 4.6.3 规则缺失下的模型更新 | 第94-96页 |
| 4.7 不完备船舶柴油机磨粒类型辨识模型的更新与应用 | 第96-106页 |
| 4.7.1 船舶柴油机磨粒类型辨识的初始建模 | 第96-97页 |
| 4.7.2 船舶柴油机磨粒类型辨识模型的参考等级更新 | 第97-100页 |
| 4.7.3 基于新类别样本的船舶柴油机磨粒类型辨识模型更新 | 第100-105页 |
| 4.7.4 规则缺失时船舶柴油机磨粒类型辨识模型更新 | 第105-106页 |
| 4.8 本章小结 | 第106-107页 |
| 第5章 基于ER规则的磨粒类型辨识 | 第107-121页 |
| 5.1 问题的提出 | 第107-108页 |
| 5.2 ER规则基本理论 | 第108-110页 |
| 5.3 基于ER规则的磨粒类型辨识模型建立 | 第110-113页 |
| 5.3.1 磨粒类型辨识模型结构 | 第110-111页 |
| 5.3.2 磨粒类型辨识模型的建立步骤 | 第111-113页 |
| 5.3.3 磨粒类型辨识模型的优化 | 第113页 |
| 5.4 基于ER规则的船舶柴油机磨粒类型辨识 | 第113-116页 |
| 5.5 基于ER规则的磨粒类型辨识模型性能分析 | 第116-119页 |
| 5.5.1 模型性能和敏感性分析 | 第116-119页 |
| 5.5.2 模型实例验证 | 第119页 |
| 5.6 本章小结 | 第119-121页 |
| 第6章 基于决策融合的磨粒类型辨识 | 第121-133页 |
| 6.1 问题的提出 | 第121页 |
| 6.2 多种磨粒类型辨识模型的对比 | 第121-123页 |
| 6.3 基于决策融合的磨粒类型辨识模型构建 | 第123-125页 |
| 6.3.1 融合模型结构 | 第123页 |
| 6.3.2 可靠性因子的确定 | 第123-124页 |
| 6.3.3 重要性因子的确定 | 第124-125页 |
| 6.4 基于决策融合的船舶柴油机磨粒类型辨识模型 | 第125-128页 |
| 6.5 基于决策融合的磨粒类型辨识模型性能验证 | 第128-132页 |
| 6.5.1 模型性能分析 | 第128-130页 |
| 6.5.2 模型实例验证 | 第130-132页 |
| 6.6 本章小结 | 第132-133页 |
| 第7章 结论与展望 | 第133-138页 |
| 7.1 结论 | 第133-135页 |
| 7.2 创新点 | 第135-136页 |
| 7.3 展望 | 第136-138页 |
| 致谢 | 第138-139页 |
| 参考文献 | 第139-154页 |
| 攻读博士学位期间发表的论文及参加的科研项目 | 第154-156页 |
| 附录A 磨损部件类别定位置信规则库 | 第156-163页 |
| 附录B BBRB磨粒类型辨识模型置信规则库 | 第163-166页 |
| 附录C 逼近系统yx~τ=的置信规则库 | 第166-168页 |
| 附录D 四分类磨粒类型辨识模型 | 第168-174页 |
| 附录E 基于新类别样本更新的辨识模型 | 第174-178页 |
| 附录F 规则缺失时五分类辨识模型 | 第178-181页 |
| 附录G 基于ER规则的辨识模型证据置信度分布 | 第181-186页 |
| 附录H 各辨识系统融合前后对测试样本误分类统计 | 第186-187页 |
