| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 铁路和地铁领域的故障诊断现状 | 第12-15页 |
| 1.2.2 贝叶斯网络研究现状 | 第15-16页 |
| 1.3 主要研究内容 | 第16-17页 |
| 1.4 本章小结 | 第17-19页 |
| 2 贝叶斯网络理论 | 第19-29页 |
| 2.1 基本概念 | 第19-21页 |
| 2.1.1 条件独立性及贝叶斯公式 | 第19页 |
| 2.1.2 联合概率分布 | 第19-20页 |
| 2.1.3 先验概率和后验概率 | 第20页 |
| 2.1.4 节点及条件概率表 | 第20-21页 |
| 2.2 贝叶斯网络学习 | 第21-26页 |
| 2.2.1 结构学习 | 第21-24页 |
| 2.2.2 参数学习 | 第24-26页 |
| 2.3 贝叶斯网络的推理 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 地铁车载信号设备的故障数据挖掘 | 第29-43页 |
| 3.1 TBS-100型列车车载设备 | 第29页 |
| 3.2 设备结构 | 第29-30页 |
| 3.3 设备功能及联系 | 第30-34页 |
| 3.4 故障记录的数据挖掘 | 第34-42页 |
| 3.4.1 故障记录表 | 第34-35页 |
| 3.4.2 故障指导手册 | 第35-36页 |
| 3.4.3 设备故障代码统计 | 第36-39页 |
| 3.4.4 故障信息的整理与统计 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 车载信号设备诊断模型建立 | 第43-67页 |
| 4.1 贝叶斯网络建模 | 第43-44页 |
| 4.2 专家知识网络的建立 | 第44-46页 |
| 4.3 贝叶斯网络参数学习与证据推断 | 第46-47页 |
| 4.4 贝叶斯网络的结构学习 | 第47-50页 |
| 4.5 诊断模型的完善 | 第50-53页 |
| 4.6 结合WEIBULL分布的设备“状态修” | 第53-66页 |
| 4.6.1 基于虚拟证据的诊断模型研究 | 第53-61页 |
| 4.6.2 基于Weibull分布的设备寿命周期预测 | 第61-66页 |
| 4.7 本章小结 | 第66-67页 |
| 5 基于贝叶斯网络的故障诊断系统 | 第67-99页 |
| 5.1 地铁车载设备故障诊断系统简介 | 第67页 |
| 5.2 MATLAB与C | 第67-69页 |
| 5.3 故障诊断系统需求分析 | 第69-75页 |
| 5.3.1 故障诊断软件的环境需求 | 第69页 |
| 5.3.2 诊断系统功能需求 | 第69-75页 |
| 5.4 故障诊断系统的实现 | 第75-94页 |
| 5.4.1 现场维护端 | 第75-83页 |
| 5.4.2 工程师端 | 第83-90页 |
| 5.4.3 上级监管端 | 第90-94页 |
| 5.5 故障诊断系统的实验测试 | 第94-97页 |
| 5.6 本章小结 | 第97-99页 |
| 6 总结与展望 | 第99-103页 |
| 6.1 论文总结 | 第99-100页 |
| 6.2 论文研究展望 | 第100-103页 |
| 参考文献 | 第103-107页 |
| 图索引 | 第107-109页 |
| 表索引 | 第109-111页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第111-115页 |
| 学位论文数据集 | 第115页 |