基于不确定性理论的机械故障智能诊断方法研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-12页 |
| 图序 | 第12-13页 |
| 表序 | 第13-14页 |
| 第1章 绪论 | 第14-27页 |
| ·选题背景和意义 | 第14-18页 |
| ·选题背景 | 第14-17页 |
| ·研究意义 | 第17-18页 |
| ·机械故障诊断技术的国内外发展现状及趋势 | 第18-20页 |
| ·机械故障诊断技术的国内外发展现状 | 第18-19页 |
| ·机械故障诊断技术的发展趋势 | 第19-20页 |
| ·故障诊断的研究方法 | 第20-24页 |
| ·基于解析模型的故障诊断方法 | 第21-22页 |
| ·基于信号处理的故障诊断方法 | 第22页 |
| ·基于知识的故障诊断方法 | 第22-24页 |
| ·论文的主要研究内容 | 第24-25页 |
| ·论文的章节安排 | 第25-27页 |
| 第2章 机械故障诊断过程中的不确定性及解决方案 | 第27-44页 |
| ·机械设备的故障及其诊断 | 第27-31页 |
| ·机械设备的故障 | 第27-29页 |
| ·机械设备的故障诊断 | 第29-31页 |
| ·机械故障诊断中的不确定性 | 第31-39页 |
| ·不确定性的来源 | 第31-33页 |
| ·不确定性信息及其推理 | 第33-39页 |
| ·针对复杂机械故障诊断中不确定性的解决方案 | 第39-43页 |
| ·本章小结 | 第43-44页 |
| 第3章 机械故障诊断中的贝叶斯网络建模 | 第44-64页 |
| ·引言 | 第44页 |
| ·贝叶斯网络 | 第44-50页 |
| ·贝叶斯网络的基本概念 | 第44-46页 |
| ·故障贝叶斯网络 | 第46-50页 |
| ·基于ACO的故障贝叶斯网络结构学习 | 第50-58页 |
| ·蚁群优化算法 | 第50-54页 |
| ·基于ACO算法的故障贝叶斯网络结构学习 | 第54-58页 |
| ·基于故障树的故障贝叶斯网络结构映射 | 第58-63页 |
| ·故障树分析法 | 第59-60页 |
| ·故障树到故障贝叶斯网络的映射 | 第60-63页 |
| ·本章小结 | 第63-64页 |
| 第4章 机械故障诊断中的贝叶斯网络推理 | 第64-78页 |
| ·引言 | 第64页 |
| ·贝叶斯网络的推理 | 第64-66页 |
| ·故障贝叶斯网络的推理算法 | 第66-77页 |
| ·推理结构转变 | 第67-73页 |
| ·信念初始化 | 第73页 |
| ·信念传递与吸收 | 第73-76页 |
| ·故障概率的局部计算 | 第76-77页 |
| ·本章小结 | 第77-78页 |
| 第5章 基于D-S证据理论的会诊诊断融合模型 | 第78-89页 |
| ·引言 | 第78页 |
| ·机械故障会诊诊断策略 | 第78-79页 |
| ·D-S证据理论 | 第79-83页 |
| ·证据理论的基本概念 | 第79-81页 |
| ·Dempster-Shafer合成法则 | 第81-83页 |
| ·基于D-S证据理论的会诊诊断融合模型 | 第83-88页 |
| ·会诊诊断的过程及步骤 | 第83-84页 |
| ·融合悖论问题及贴合度的提出 | 第84-87页 |
| ·基于D-S证据理论的会诊诊断融合模型 | 第87-88页 |
| ·本章小结 | 第88-89页 |
| 第6章 故障贝叶斯网络在转子系统故障诊断中的应用 | 第89-105页 |
| ·引言 | 第89-91页 |
| ·转子系统的故障诊断系统框图 | 第91-93页 |
| ·转子系统故障诊断的贝叶斯网络建模及推理 | 第93-104页 |
| ·本章小结 | 第104-105页 |
| 第7章 结论与展望 | 第105-107页 |
| ·主要研究结论 | 第105页 |
| ·不足和展望 | 第105-107页 |
| 参考文献 | 第107-113页 |
| 致谢 | 第113-114页 |
| 在读期间发表的学术论文与取得的研究成果 | 第114页 |
