| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-17页 |
| ·研究背景及意义 | 第9页 |
| ·船舶动力系统故障诊断系统的国内外研究现状 | 第9-13页 |
| ·基于性能参数的故障诊断 | 第11页 |
| ·基于油液监测技术的故障诊断 | 第11-12页 |
| ·基于振动监测技术的故障诊断 | 第12页 |
| ·基于智能分析方法的故障诊断 | 第12-13页 |
| ·船舶动力系统故障诊断研究中存在的问题及发展趋势 | 第13-14页 |
| ·本文的主要研究内容 | 第14-15页 |
| ·课题来源 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 第2章 基于专家系统的船舶动力系统故障诊断 | 第17-32页 |
| ·概述 | 第17页 |
| ·专家系统基本原理 | 第17-19页 |
| ·专家系统的定义 | 第17-18页 |
| ·专家系统的主要特点 | 第18页 |
| ·专家系统的主要组成 | 第18-19页 |
| ·规则引擎技术 | 第19-21页 |
| ·规则引擎技术简介 | 第19-20页 |
| ·Drools 工作原理 | 第20-21页 |
| ·基于规则引擎的船舶动力系统故障诊断专家系统的实现 | 第21-31页 |
| ·船舶动力系统监测点的选取与分布 | 第21-24页 |
| ·船舶动力系统主要故障模式分析 | 第24-27页 |
| ·船舶动力系统故障诊断专家系统的运行逻辑及系统框架 | 第27-29页 |
| ·Drools 构建船舶动力系统故障诊断专家系统 | 第29-30页 |
| ·讨论 | 第30-31页 |
| ·小结 | 第31-32页 |
| 第3章 基于 SOM 神经网络的船舶动力系统故障诊断 | 第32-42页 |
| ·概述 | 第32页 |
| ·SOM 神经网络理论 | 第32-36页 |
| ·SOM 神经网络结构 | 第32-33页 |
| ·SOM 神经网络学习算法 | 第33-35页 |
| ·SOM 神经网络故障诊断策略 | 第35页 |
| ·SOM 神经网络的数据可视化 | 第35-36页 |
| ·基于 SOM 神经网络的船舶动力系统故障诊断实例 | 第36-40页 |
| ·故障征兆——故障模式样本集的设计 | 第36-37页 |
| ·SOM 故障诊断模型构建与分析 | 第37-40页 |
| ·神经网络的诊断模型与专家系统诊断模型间的关系 | 第40-41页 |
| ·小结 | 第41-42页 |
| 第4章 船舶动力系统主要参数的趋势预测研究 | 第42-56页 |
| ·概述 | 第42页 |
| ·趋势预测的主要理论基础 | 第42-49页 |
| ·ARMA 模型基本原理 | 第42-45页 |
| ·小波神经网络基本理论 | 第45-48页 |
| ·在线预测模型原理 | 第48页 |
| ·预测结果的评价指标 | 第48-49页 |
| ·ARMA 模型与小波神经网络的趋势预测比较 | 第49-53页 |
| ·ARMA 模型的趋势预测分析 | 第50-51页 |
| ·小波神经网络的趋势预测分析 | 第51-53页 |
| ·ARMA 模型和小波神经网络在船舶动力系统参数趋势预测应用实例 | 第53-55页 |
| ·ARMA 模型在船舶动力系统参数趋势预测的应用实例 | 第53-54页 |
| ·小波神经网络在船舶动力系统参数趋势预测的应用实例 | 第54-55页 |
| ·小结 | 第55-56页 |
| 第5章 船舶动力系统故障诊断系统的设计与实现 | 第56-67页 |
| ·概述 | 第56页 |
| ·船舶动力系统故障诊断的实施应用框架 | 第56-57页 |
| ·应用对象简介 | 第56-57页 |
| ·船舶动力系统故障诊断的系统框架 | 第57页 |
| ·船舶动力系统故障诊断系统的软件设计 | 第57-66页 |
| ·功能设计 | 第57-59页 |
| ·船舶动力系统故障诊断的主要软件设计工具 | 第59-60页 |
| ·故障诊断软件的工作流程设计 | 第60页 |
| ·故障诊断系统的数据库设计 | 第60-63页 |
| ·故障诊断系统主要界面 | 第63-66页 |
| ·小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| ·总结 | 第67-68页 |
| ·展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士学位期间发表的论文及参加的科研项目 | 第75页 |
