| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题的研究背景及意义 | 第10页 |
| 1.2 往复式压缩机故障诊断技术的研究现状 | 第10-11页 |
| 1.3 往复式压缩机常用的故障诊断方法 | 第11-13页 |
| 1.4 贝叶斯网络在故障诊断中的应用 | 第13-15页 |
| 1.4.1 贝叶斯网络的发展与研究现状 | 第13-14页 |
| 1.4.2 贝叶斯网络应用于故障诊断的优势 | 第14页 |
| 1.4.3 贝叶斯网络在故障诊断中的应用 | 第14-15页 |
| 1.5 本文的主要工作与结构安排 | 第15-17页 |
| 第二章 贝叶斯网络理论 | 第17-32页 |
| 2.1 引言 | 第17页 |
| 2.2 贝叶斯网络的基本知识 | 第17-22页 |
| 2.2.1 概率论基础 | 第17-18页 |
| 2.2.2 信息论基础 | 第18-19页 |
| 2.2.3 图论基础 | 第19-20页 |
| 2.2.4 贝叶斯网络的表示及构建 | 第20-22页 |
| 2.3 贝叶斯网络学习 | 第22-27页 |
| 2.3.1 贝叶斯网络结构学习 | 第22-25页 |
| 2.3.2 贝叶斯网络参数学习 | 第25-27页 |
| 2.4 贝叶斯分类器 | 第27-31页 |
| 2.4.1 贝叶斯分类器原理 | 第27-28页 |
| 2.4.2 几种典型的贝叶斯分类器模型 | 第28-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于小波包算法的压缩机气阀特征参数提取 | 第32-43页 |
| 3.1 引言 | 第32页 |
| 3.2 小波分析基本理论 | 第32-35页 |
| 3.2.1 小波变换 | 第32-34页 |
| 3.2.2 小波包算法 | 第34-35页 |
| 3.3 基于小波包算法的压缩机气阀特征参数提取 | 第35-42页 |
| 3.3.1 小波阈值去噪 | 第35-36页 |
| 3.3.2 小波包频带能量特征分布 | 第36-37页 |
| 3.3.3 仿真信号的小波包频带能量分析 | 第37-39页 |
| 3.3.4 气阀故障特征提取实例分析 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 BAN分类器算法在气阀故障诊断中的应用 | 第43-54页 |
| 4.1 引言 | 第43页 |
| 4.2 气阀常见故障 | 第43-44页 |
| 4.3 基于遗传算法与K2算法的BAN结构学习算法 | 第44-49页 |
| 4.3.1 遗传算法的基本思想 | 第44-47页 |
| 4.3.2 K2算法及其存在的先验问题 | 第47页 |
| 4.3.3 新算法的具体实现 | 第47-49页 |
| 4.4 气阀故障诊断实例 | 第49-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 GBN分类器算法在气阀故障诊断中的应用 | 第54-73页 |
| 5.1 引言 | 第54页 |
| 5.2 贝叶斯网络诊断模型框架 | 第54-55页 |
| 5.3 基于低阶CI测试与贪心算法的贝叶斯网络结构学习 | 第55-64页 |
| 5.3.1 低阶CI测试 | 第55页 |
| 5.3.2 贪心算法 | 第55-56页 |
| 5.3.3 贪心算法学习贝叶斯网络结构的具体实现 | 第56-61页 |
| 5.3.4 混合算法的具体步骤 | 第61-62页 |
| 5.3.5 实例分析 | 第62-64页 |
| 5.4 基于稀疏分数的特征选择算法 | 第64-69页 |
| 5.4.1 稀疏表示的思想分析 | 第65-66页 |
| 5.4.2 特征选择的具体实现 | 第66-67页 |
| 5.4.3 针对气阀故障特征数据进行稀疏分数特征选择 | 第67-69页 |
| 5.5 气阀故障诊断实例 | 第69-72页 |
| 5.6 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 研究结论 | 第73-74页 |
| 6.2 研究展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 攻读硕士学位期间取得的成果 | 第81-82页 |
