| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题的研究背景及意义 | 第10页 |
| ·柴油机故障诊断技术 | 第10-12页 |
| ·国内外研究现状 | 第10-11页 |
| ·典型方法 | 第11-12页 |
| ·基于信息融合的故障诊断技术 | 第12-15页 |
| ·信息融合技术概述 | 第12页 |
| ·信息融合技术应用于柴油机故障诊断领域的意义 | 第12-13页 |
| ·信息融合故障诊断的一般框架 | 第13-14页 |
| ·国内外研究现状 | 第14-15页 |
| ·论文的主要研究内容 | 第15-16页 |
| 第2章 柴油机故障诊断机理 | 第16-22页 |
| ·柴油机典型故障模式及故障特征 | 第16-17页 |
| ·柴油机典型的故障模式 | 第16页 |
| ·柴油机的故障特点 | 第16-17页 |
| ·柴油机动力性能分析 | 第17-21页 |
| ·柴油机缸盖表面振动信号机理研究 | 第17-20页 |
| ·柴油机故障诊断中的不确定性 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第3章 基于遗传算法优化的RBF神经网络的故障诊断技术 | 第22-46页 |
| ·BP神经网络 | 第22-25页 |
| ·神经网络概述 | 第22页 |
| ·BP神经网络的结构 | 第22-25页 |
| ·径向基函数神经网络 | 第25-31页 |
| ·RBF神经网络的结构 | 第25-28页 |
| ·RBF网络训练的准则和常用算法 | 第28-31页 |
| ·遗传算法优化RBF神经网络 | 第31-37页 |
| ·遗传算法的基本原理 | 第31-32页 |
| ·遗传算法优化RBF神经网络 | 第32-37页 |
| ·基于遗传算法优化的RBF神经网络的柴油机故障诊断 | 第37-45页 |
| ·传感器信号的特征提取 | 第37-40页 |
| ·BP神经网络改进的设计 | 第40-43页 |
| ·系统测试 | 第43-45页 |
| ·结果分析 | 第45页 |
| ·本章小结 | 第45-46页 |
| 第4章 基于加权D-S证据理论的故障诊断技术 | 第46-60页 |
| ·经典D-S证据理论 | 第46-52页 |
| ·D-S证据理论的基本概念 | 第46-47页 |
| ·D-S证据理论合成法则 | 第47-51页 |
| ·应用D-S证据理论进行决策的基本过程 | 第51-52页 |
| ·加权D-S理论在故障诊断中的应用 | 第52-56页 |
| ·D-S证据理论存在的缺陷 | 第52页 |
| ·证据冲突的确定 | 第52-54页 |
| ·加权证据理论 | 第54-55页 |
| ·算例分析 | 第55-56页 |
| ·柴油机故障诊断决策级融合 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67页 |