AGV复杂系统的故障诊断方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 AGV国内外发展现状 | 第11-12页 |
| 1.2.1 AGV国外发展现状 | 第11-12页 |
| 1.2.2 AGV国内发展现状 | 第12页 |
| 1.3 故障诊断方法研究现状 | 第12-16页 |
| 1.3.1 传统故障诊断研究现状 | 第14-15页 |
| 1.3.2 移动机器人故障诊断研究现状 | 第15-16页 |
| 1.4 本文研究内容 | 第16-17页 |
| 第二章 AGV故障诊断基础理论 | 第17-30页 |
| 2.1 粒子滤波理论 | 第17-24页 |
| 2.1.1 滤波原理 | 第17-18页 |
| 2.1.2 蒙特卡罗方法 | 第18-19页 |
| 2.1.3 重要性采样 | 第19-20页 |
| 2.1.4 标准粒子滤波算法 | 第20-23页 |
| 2.1.5 粒子滤波存在的缺陷 | 第23-24页 |
| 2.2 AGV运动学模型 | 第24-27页 |
| 2.2.1 电机模型 | 第25-26页 |
| 2.2.2 编码器模型 | 第26页 |
| 2.2.3 激光传感器模型 | 第26-27页 |
| 2.3 AGV常见故障 | 第27-28页 |
| 2.3.1 电机故障 | 第27-28页 |
| 2.3.2 编码器故障 | 第28页 |
| 2.3.3 激光传感器故障 | 第28页 |
| 2.4 AGV故障诊断难点 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于蝴蝶优化的粒子滤波算法 | 第30-39页 |
| 3.1 粒子滤波研究现状 | 第30-31页 |
| 3.2 蝴蝶算法 | 第31-32页 |
| 3.3 融合蝴蝶算法与粒子滤波 | 第32-34页 |
| 3.4 仿真分析 | 第34-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于粒子滤波的故障检测方法 | 第39-50页 |
| 4.1 基于模型的故障检测 | 第39-40页 |
| 4.2 基于似然比的故障诊断 | 第40-42页 |
| 4.3 基于残差的故障检测 | 第42-43页 |
| 4.4 故障漏报率和故障误报率 | 第43-44页 |
| 4.5 仿真分析 | 第44-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 AGV故障诊断方法应用 | 第50-59页 |
| 5.1 故障检测与隔离 | 第50-53页 |
| 5.2 仿真分析 | 第53-57页 |
| 5.2.1 正常状态 | 第54-55页 |
| 5.2.2 电机故障 | 第55-56页 |
| 5.2.3 编码器故障 | 第56-57页 |
| 5.2.4 激光传感器故障 | 第57页 |
| 5.3 本章小结 | 第57-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 本文工作总结 | 第59页 |
| 6.2 未来展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 附录 | 第67-68页 |
| 详细摘要 | 第68页 |
