基于贝叶斯网络的列控车载设备故障诊断方法
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 列控系统故障诊断方法 | 第13-15页 |
| 1.2.2 贝叶斯网络的发展现状 | 第15-17页 |
| 1.3 论文的主要工作及结构安排 | 第17-20页 |
| 2 理论知识 | 第20-32页 |
| 2.1 贝叶斯网络理论 | 第20-27页 |
| 2.1.1 贝叶斯网络基本定理 | 第21-22页 |
| 2.1.2 贝叶斯网络的实例 | 第22-23页 |
| 2.1.3 贝叶斯网络的学习 | 第23-25页 |
| 2.1.4 贝叶斯网络的推理 | 第25-27页 |
| 2.2 粗糙集理论 | 第27-30页 |
| 2.2.1 知识与知识库 | 第28页 |
| 2.2.2 粗糙集的上、下近似集 | 第28-29页 |
| 2.2.3 决策表与决策规则 | 第29-30页 |
| 2.2.4 属性约简 | 第30页 |
| 2.3 本章小结 | 第30-32页 |
| 3 车载设备与故障数据挖掘 | 第32-48页 |
| 3.1 列控车载设备结构与功能 | 第32-34页 |
| 3.1.1 列控车载设备组成 | 第32-33页 |
| 3.1.2 列控车载设备功能 | 第33-34页 |
| 3.2 列控车载设备故障数据 | 第34-37页 |
| 3.2.1 故障信息表 | 第34-36页 |
| 3.2.2 故障文本分析 | 第36-37页 |
| 3.3 列控车载设备故障诊断系统框架 | 第37-38页 |
| 3.4 车载设备故障数据挖掘 | 第38-47页 |
| 3.4.1 数据挖掘的流程 | 第38-39页 |
| 3.4.2 文本预处理 | 第39-43页 |
| 3.4.3 基于粗糙集的属性约简 | 第43-46页 |
| 3.4.4 训练数据集的生成 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 4 列控车载设备故障诊断系统 | 第48-66页 |
| 4.1 贝叶斯网络故障诊断模型构建 | 第48-55页 |
| 4.1.1 基于专家经验的模型构建 | 第49-52页 |
| 4.1.2 基于结构学习的模型构建 | 第52-55页 |
| 4.1.3 方法融合的贝叶斯网络模型构建 | 第55页 |
| 4.2 贝叶斯网络故障诊断模型参数学习 | 第55-59页 |
| 4.2.1 贝叶斯网络的参数学习 | 第56-57页 |
| 4.2.2 加入征兆节点关系的参数学习 | 第57-59页 |
| 4.3 故障诊断贝叶斯网络的验证推理 | 第59-64页 |
| 4.3.1 推理算法的基本流程 | 第59-60页 |
| 4.3.2 贝叶斯网络的模型验证 | 第60-62页 |
| 4.3.3 实验分析1 | 第62-63页 |
| 4.3.4 实验分析2 | 第63-64页 |
| 4.4 本章小结 | 第64-66页 |
| 5 车载设备故障诊断系统的设计与实现 | 第66-80页 |
| 5.1 系统需求分析 | 第66-68页 |
| 5.1.1 功能需求性分析 | 第66-67页 |
| 5.1.2 非功能性需求 | 第67页 |
| 5.1.3 故障诊断系统的运行环境需求 | 第67-68页 |
| 5.2 故障诊断系统总体方案 | 第68-71页 |
| 5.2.1 系统架构 | 第68-69页 |
| 5.2.2 故障诊断系统的流程 | 第69-71页 |
| 5.3 故障诊断系统设计与实现 | 第71-78页 |
| 5.3.1 Matlab与C | 第71-72页 |
| 5.3.2 数据库的设计及实现 | 第72-74页 |
| 5.3.3 故障诊断系统的设计及实现 | 第74-78页 |
| 5.4 本章小结 | 第78-80页 |
| 6 总结与展望 | 第80-82页 |
| 6.1 总结 | 第80页 |
| 6.2 展望 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 图索引 | 第86-88页 |
| 表索引 | 第88-90页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第90-94页 |
| 学位论文数据集 | 第94页 |
