基于贝叶斯网络的货车空气制动系统故障诊断研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 故障诊断技术的研究现状 | 第12-14页 |
| 1.2.2 列车制动系统故障诊断研究现状 | 第14-16页 |
| 1.2.3 贝叶斯网络的研究现状 | 第16-18页 |
| 1.3 本文主要研究内容 | 第18-19页 |
| 1.4 本章小结 | 第19-21页 |
| 2 贝叶斯网络理论研究 | 第21-33页 |
| 2.1 贝叶斯公式 | 第21-22页 |
| 2.2 贝叶斯网络定义 | 第22-23页 |
| 2.3 贝叶斯网络学习 | 第23-30页 |
| 2.3.1 贝叶斯网络的结构学习 | 第23-28页 |
| 2.3.2 贝叶斯网络的参数学习 | 第28-30页 |
| 2.4 贝叶斯网络推理 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 货车制动系统故障诊断方法设计 | 第33-53页 |
| 3.1 空气制动系统结构及工作原理分析 | 第33-38页 |
| 3.1.1 空气制动系统结构 | 第34-35页 |
| 3.1.2 空气制动系统工作原理 | 第35-38页 |
| 3.2 空气制动系统常见故障及分析 | 第38-42页 |
| 3.2.1 制动感度故障 | 第38-39页 |
| 3.2.2 制动安定故障 | 第39-40页 |
| 3.2.3 缓解不良故障 | 第40-41页 |
| 3.2.4 自然缓解故障 | 第41-42页 |
| 3.3 制动故障诊断方法设计 | 第42-45页 |
| 3.4 基于支持向量机的制动故障分类 | 第45-51页 |
| 3.4.1 支持向量机分类原理 | 第45-49页 |
| 3.4.2 特征参数的获取 | 第49-50页 |
| 3.4.3 验证实验 | 第50-51页 |
| 3.5 本章小结 | 第51-53页 |
| 4 制动系统故障诊断贝叶斯网络模型的建立 | 第53-73页 |
| 4.1 基于专家知识的诊断贝叶斯网络模型构建 | 第53-58页 |
| 4.2 结构学习对诊断贝叶斯网络模型的修正 | 第58-66页 |
| 4.2.1 训练集数据的生成 | 第59-62页 |
| 4.2.2 基于K2算法的诊断贝叶斯网络结构学习 | 第62-66页 |
| 4.3 基于EM算法的诊断贝叶斯网络参数学习 | 第66-70页 |
| 4.4 本章小结 | 第70-73页 |
| 5 贝叶斯网络的诊断推理与结果分析 | 第73-87页 |
| 5.1 联合树推理算法分析 | 第73-78页 |
| 5.2 基于联合树的制动诊断贝叶斯网络推理 | 第78-82页 |
| 5.3 推理与诊断结果分析 | 第82-86页 |
| 5.4 本章小结 | 第86-87页 |
| 6 总结与展望 | 第87-89页 |
| 6.1 总结 | 第87-88页 |
| 6.2 展望 | 第88-89页 |
| 参考文献 | 第89-93页 |
| 附录A | 第93-95页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第95-99页 |
| 学位论文数据集 | 第99页 |
