| 中文摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 第1章 绪论 | 第19-36页 |
| 1.1 课题研究的背景及意义 | 第19-20页 |
| 1.2 故障检测与诊断技术的发展过程 | 第20-22页 |
| 1.3 故障检测与诊断技术的研究现状 | 第22-25页 |
| 1.3.1 国外的研究现状 | 第22-24页 |
| 1.3.2 国内的研究现状 | 第24-25页 |
| 1.4 故障检测与诊断技术的分类 | 第25-31页 |
| 1.4.1 基于数学模型的方法 | 第26-27页 |
| 1.4.2 基于信号处理的方法 | 第27-29页 |
| 1.4.3 基于知识的方法 | 第29-31页 |
| 1.5 网络化系统的故障检测与诊断技术研究现状 | 第31-34页 |
| 1.5.1 存在延时网络化系统的故障检测与诊断 | 第32-34页 |
| 1.5.2 存在数据包丢失网络化系统的故障检测与诊断 | 第34页 |
| 1.6 本文主要研究内容 | 第34-36页 |
| 第2章 基于新息统计特性的故障检测方法 | 第36-64页 |
| 2.1 引言 | 第36-37页 |
| 2.2 故障检测问题描述 | 第37-38页 |
| 2.3 具有一步随机滞后和多数据包丢失系统的滤波器设计 | 第38-48页 |
| 2.3.1 最优线性滤波器设计 | 第38-43页 |
| 2.3.2 稳态滤波器设计 | 第43-45页 |
| 2.3.3 仿真分析 | 第45-48页 |
| 2.4 基于残差加权平方和方法的故障检测 | 第48-55页 |
| 2.4.1 残差加权平方和方法的基本原理 | 第48-50页 |
| 2.4.2 仿真分析 | 第50-55页 |
| 2.5 基于范数有界方法的故障检测 | 第55-62页 |
| 2.5.1 范数有界方法的基本原理 | 第55-57页 |
| 2.5.2 仿真分析 | 第57-62页 |
| 2.6 两种故障检测方法的比较分析 | 第62-63页 |
| 2.7 本章小结 | 第63-64页 |
| 第3章 基于优化BP神经网络的故障诊断方法 | 第64-87页 |
| 3.1 人工神经网络概述 | 第64页 |
| 3.2 基于误差反向传播算法的人工神经网络 | 第64-69页 |
| 3.2.1 网络结构及基本原理 | 第64-65页 |
| 3.2.2 BP算法的计算过程 | 第65-68页 |
| 3.2.3 存在的问题及现有的一些改进方法 | 第68-69页 |
| 3.3 基于有界AIC准则的隐层神经元个数优选方法 | 第69-75页 |
| 3.3.1 问题分析 | 第69-70页 |
| 3.3.2 AIC准则的基本原理及其存在的缺陷 | 第70-71页 |
| 3.3.3 有界AIC准则在隐层神经元个数优选中的应用 | 第71-73页 |
| 3.3.4 仿真分析 | 第73-75页 |
| 3.4 基于BP网络和AdaboostM2算法的强分类器设计 | 第75-82页 |
| 3.4.1 问题分析 | 第75-76页 |
| 3.4.2 AdaboostM2算法的基本原理 | 第76-77页 |
| 3.4.3 BP_AdaboostM2强分类器设计 | 第77-80页 |
| 3.4.4 仿真分析 | 第80-82页 |
| 3.5 优化BP神经网络在故障诊断中的应用 | 第82-86页 |
| 3.5.1 故障诊断的实现原理 | 第82-83页 |
| 3.5.2 实例分析 | 第83-86页 |
| 3.6 本章小结 | 第86-87页 |
| 第4章 基于一致强度证据合成规则的故障诊断方法 | 第87-106页 |
| 4.1 引言 | 第87页 |
| 4.2 DS证据理论的基本概念 | 第87-89页 |
| 4.3 DS合成规则及其存在的问题 | 第89-90页 |
| 4.3.1 DS合成规则 | 第89-90页 |
| 4.3.2 存在的问题 | 第90页 |
| 4.4 基于一致强度的合成规则 | 第90-96页 |
| 4.4.1 合理性分析 | 第90-92页 |
| 4.4.2 一致强度的概念以及合成规则的实现 | 第92-94页 |
| 4.4.3 算例分析 | 第94-95页 |
| 4.4.4 算法复杂度比较 | 第95-96页 |
| 4.5 一致强度证据合成规则在故障诊断中的应用 | 第96-105页 |
| 4.5.1 诊断模型及实现过程 | 第96-97页 |
| 4.5.2 实例分析 | 第97-105页 |
| 4.6 本章小结 | 第105-106页 |
| 第5章 移动机器人系统的故障诊断 | 第106-135页 |
| 5.1 引言 | 第106页 |
| 5.2 移动机器人的系统构成及故障分类 | 第106-109页 |
| 5.2.1 移动机器人的系统构成 | 第106-108页 |
| 5.2.2 移动机器人的故障分类 | 第108-109页 |
| 5.3 移动机器人系统故障诊断的研究现状 | 第109-113页 |
| 5.4 基于新息云特征和神经网络的移动机器人系统故障诊断 | 第113-128页 |
| 5.4.1 问题分析 | 第113-114页 |
| 5.4.2 移动机器人系统的数学运动模型 | 第114-117页 |
| 5.4.3 云理论的基本原理 | 第117-120页 |
| 5.4.4 新息云特征故障诊断方法的实现 | 第120-124页 |
| 5.4.5 实例分析 | 第124-128页 |
| 5.5 结合证据理论的二级故障诊断方法 | 第128-134页 |
| 5.5.1 诊断方法的实现过程 | 第128-129页 |
| 5.5.2 实例分析 | 第129-134页 |
| 5.6 本章小结 | 第134-135页 |
| 结论 | 第135-137页 |
| 参考文献 | 第137-151页 |
| 致谢 | 第151-152页 |
| 攻读学位期间发表的论文 | 第152页 |
