| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 故障预测技术研究状况 | 第10-12页 |
| 1.3 多传感器信息融合技术研究现状 | 第12-15页 |
| 1.4 论文主要研究内容与结构安排 | 第15-16页 |
| 第二章 多传感器信息融合技术综述 | 第16-25页 |
| 2.1 多传感器信息融合技术的基本概念 | 第16-21页 |
| 2.1.1 基本概念 | 第16-17页 |
| 2.1.2 多传感器信息融合的体系结构 | 第17-19页 |
| 2.1.3 多传感器信息融合的层次结构 | 第19-21页 |
| 2.2 多传感器数据处理 | 第21-23页 |
| 2.2.1 多传感器数据一致性处理 | 第21-22页 |
| 2.2.2 多传感器数据特征提取 | 第22-23页 |
| 2.3 多传感信息的分层融合预测模式 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于特征层的单传感器信息融合的故障预测模型 | 第25-40页 |
| 3.1 基于传感器特征值的灰色故障预测算法 | 第25-26页 |
| 3.2 灰色预测算法的优缺点以及改进方法 | 第26-33页 |
| 3.2.1 灰色预测模型优缺点分析 | 第26-27页 |
| 3.2.2 基于函数变换的灰色预测模型原始序列光滑处理 | 第27-30页 |
| 3.2.3 基于背景值重构的灰色预测模型改进 | 第30-31页 |
| 3.2.4 基于新陈代谢的动态灰色预测模型的构建 | 第31-33页 |
| 3.3 单传感器多特征信息融合的结构模型及算法确定 | 第33-37页 |
| 3.3.1 特征层信息融合的结算法确定 | 第33页 |
| 3.3.2 基于BP神经网络的特征层融合算法 | 第33-35页 |
| 3.3.3 BP神经网络融合算法存在的问题 | 第35-36页 |
| 3.3.4 BP神经网络融合算法的改进 | 第36-37页 |
| 3.4 基于改进的BP神经网络在特征层信息融合中的应用 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于决策层的多传感器信息融合故障预测模型 | 第40-49页 |
| 4.1 工业装备运行信息融合的不确定性 | 第40页 |
| 4.2 D-S证据理论基本原理 | 第40-43页 |
| 4.2.1 D-S证据理论的基本定义 | 第40-42页 |
| 4.2.2 D-S证据理论的融合规则 | 第42-43页 |
| 4.2.3 基于D-S证据理论信息决策层融合的基本过程 | 第43页 |
| 4.3 D-S证据理论优缺点分析 | 第43-44页 |
| 4.4 D-S证据理论的改进 | 第44-46页 |
| 4.4.1 基本概率分配函数构造方式改进 | 第44-45页 |
| 4.4.2 组合规则的改进 | 第45-46页 |
| 4.5 基于改进的D-S证据理论算例分析 | 第46-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第五章 基于多传感器信息融合的工业装备故障预测 | 第49-56页 |
| 5.1 实验场景 | 第49-50页 |
| 5.2 传感器测量数据处理及特征提取 | 第50-52页 |
| 5.2.1 传感器一致性检验 | 第50-51页 |
| 5.2.2 传感器特征值提取 | 第51-52页 |
| 5.3 工业装备故障预测过程 | 第52-55页 |
| 5.3.1 D-S证据理论识别框架的确定 | 第52页 |
| 5.3.2 证据体及其基本概率分配值的确定 | 第52-54页 |
| 5.3.3 基于D-S证据理论的决策融合及分析 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 攻读学位期间主要的研究成果 | 第64-65页 |
| 致谢 | 第65页 |
