基于贝叶斯网络的智能诊断技术研究及系统开发
| 1 绪论 | 第1-17页 |
| ·课题背景和意义 | 第7-8页 |
| ·课题背景 | 第7页 |
| ·课题意义 | 第7-8页 |
| ·故障诊断技术研究现状 | 第8-15页 |
| ·故障诊断方法 | 第8-9页 |
| ·智能故障诊断方法 | 第9-13页 |
| ·远程诊断技术研究现状 | 第13-14页 |
| ·自动门诊断技术研究现状 | 第14-15页 |
| ·论文主要研究内容 | 第15-16页 |
| ·论文结构安排 | 第16-17页 |
| 2 智能诊断系统总体设计 | 第17-22页 |
| ·应用对象分析 | 第17-18页 |
| ·轨道交通自动门结构组成 | 第17-18页 |
| ·轨道交通自动门工作特点 | 第18页 |
| ·系统总体结构 | 第18-19页 |
| ·系统功能模型 | 第19-21页 |
| ·关键技术 | 第21-22页 |
| 3 基于产品结构树的知识组织方法 | 第22-33页 |
| ·诊断知识来源 | 第22-24页 |
| ·故障知识特点 | 第24-25页 |
| ·故障诊断知识获取方法 | 第25-30页 |
| ·从专家获取知识 | 第25-28页 |
| ·从FMEA表单中获取知识 | 第28-29页 |
| ·从FTA分析结果中获取知识 | 第29-30页 |
| ·基于结构树的知识组织 | 第30-33页 |
| 4 贝叶斯网络诊断推理技术 | 第33-56页 |
| ·贝叶斯网络概述 | 第33-37页 |
| ·贝叶斯网络的组成 | 第33-34页 |
| ·条件独立性假设 | 第34-35页 |
| ·贝叶斯诊断推理的概率基础 | 第35-37页 |
| ·贝叶斯诊断网络模型 | 第37-42页 |
| ·FS两层模型和COFS三层模型 | 第37页 |
| ·CME三层模型 | 第37-42页 |
| ·计算推理方法 | 第42-53页 |
| ·推理技术概述 | 第42页 |
| ·贝叶斯网络推理模式 | 第42-43页 |
| ·贝叶斯网络推理算法 | 第43-53页 |
| ·规则诊断与贝叶斯诊断相结合 | 第53-56页 |
| ·知识层次和知识深度 | 第53-54页 |
| ·基于规则的专家系统诊断方法 | 第54页 |
| ·贝叶斯诊断方法 | 第54-55页 |
| ·混合诊断方法 | 第55-56页 |
| 5 原型系统开发与实现 | 第56-78页 |
| ·系统总体 | 第56-57页 |
| ·系统数据库设计 | 第57-60页 |
| ·数据表定义 | 第57-59页 |
| ·数据库知识编码方案 | 第59-60页 |
| ·知识查询与管理模块 | 第60-65页 |
| ·知识录入与维护子模块 | 第61-64页 |
| ·知识查询子模块 | 第64-65页 |
| ·规则诊断模块 | 第65-67页 |
| ·规则建立与维护 | 第65-66页 |
| ·规则诊断流程 | 第66-67页 |
| ·贝叶斯诊断模块 | 第67-73页 |
| ·构建有向无环图 | 第68页 |
| ·概率值的存储与访问 | 第68-70页 |
| ·由有向无环图(DAG)生成联合树(JT) | 第70-73页 |
| ·概率计算 | 第73页 |
| ·主要运行界面 | 第73-78页 |
| ·系统管理 | 第73页 |
| ·项目管理 | 第73-74页 |
| ·知识管理 | 第74-76页 |
| ·规则诊断 | 第76页 |
| ·贝叶斯诊断 | 第76-78页 |
| 6 总结与展望 | 第78-80页 |
| ·研究工作总结 | 第78页 |
| ·研究展望 | 第78-79页 |
| ·结束语 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84页 |
