| 第1章 绪论 | 第1-22页 |
| 1．1 前言 | 第8页 |
| 1．2 故障检测与诊断技术的一些概念、任务及研究的内容 | 第8-10页 |
| 1．3 故障检测与诊断的方法 | 第10-19页 |
| 1．3．1 基于信号处理的方法 | 第11-12页 |
| 1．3．2 基于知识的故障诊断方法 | 第12-15页 |
| 1．3．3 基于解析模型的故障诊断方法 | 第15-19页 |
| 1．4 故障诊断技术中存在的问题及其发展趋势 | 第19-21页 |
| 1．5 论文的主要研究内容 | 第21-22页 |
| 第2章 控制系统故障分类及模型化研究 | 第22-27页 |
| 2．1 控制系统故障分类 | 第22-23页 |
| 2．2 控制系统故障的数学表示 | 第23-26页 |
| 2．2．1 传感器故障模型 | 第24页 |
| 2．2．2 执行器故障类型 | 第24-25页 |
| 2．2．3 系统状态故障类型 | 第25-26页 |
| 2．3 本章小结 | 第26-27页 |
| 第3章 基于未知输入观测器的故障诊断方法 | 第27-35页 |
| 3．1 故障检测观测器的构造 | 第27-29页 |
| 3．2 未知输入观测器(Unkown Inputs Observer) | 第29-31页 |
| 3．3 基于未知输入观测器(UIO)的传感器故障诊断 | 第31-34页 |
| 3．4 本章小结 | 第34-35页 |
| 第4章 基于强跟踪滤波器的故障诊断方法 | 第35-58页 |
| 4．1 扩展卡尔曼滤波器及其在故障诊断中的应用 | 第35-38页 |
| 4．1．1 扩展卡尔曼滤波器(Extended Kalman Filter，EKF) | 第35-38页 |
| 4．1．2 自适应卡尔曼滤波器方法 | 第38页 |
| 4．2 强跟踪滤波器故障诊断方法 | 第38-47页 |
| 4．2．1 强跟踪滤波器的引入 | 第38-39页 |
| 4．2．2 强跟踪滤波器的原理 | 第39-40页 |
| 4．2．3 带次优渐消因子的扩展卡尔曼滤波器(SFEKF) | 第40-43页 |
| 4．2．4 一种非线性系统状态和参数联合估计方法 | 第43-44页 |
| 4．2．5 神经网络诊断方法 | 第44-47页 |
| 4．2．5．1 诊断模型的建立 | 第44-45页 |
| 4．2．5．2 BP网络的构成 | 第45-47页 |
| 4．3 仿真实例——在水下机器人执行机构故障诊断中的应用 | 第47-57页 |
| 4．3．1 水下机器人的执行机构故障模型的建立 | 第47-48页 |
| 4．3．2 强跟踪滤波器跟踪性能验证 | 第48-52页 |
| 4．3．2．1 与EKF的跟踪性能比较 | 第49-50页 |
| 4．3．2．2 考察控制指令对SMFEKF滤波器性能的影响 | 第50-52页 |
| 4．3．3 水下机器人执行机构故障检测与诊断算法及仿真 | 第52-57页 |
| 4．4 本章小结 | 第57-58页 |
| 第5章 汽轮机调节系统的故障诊断 | 第58-74页 |
| 5．1 前言 | 第58-59页 |
| 5．2 核电汽轮机的调节特点 | 第59-61页 |
| 5．3 汽轮机调节系统故障检测与诊断的发展现状 | 第61-63页 |
| 5．4 数字电液控制的原理 | 第63-71页 |
| 5．4．1 核电汽轮机数字电液调节系统简介 | 第63-64页 |
| 5．4．2 数字电液控制的工作原理 | 第64-66页 |
| 5．4．3 数字电液控制系统的静态特性 | 第66-68页 |
| 5．4．4 数字电液控制系统的动态特性 | 第68-71页 |
| 5．5 调节系统中卡涩故障的诊断 | 第71-73页 |
| 5．6 本章小结 | 第73-74页 |
| 第6章 结论 | 第74-76页 |
| 参考文献 | 第76-81页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第81-82页 |
| 致谢 | 第82页 |
