第1章 绪论 | 第1-21页 |
1.1 本文研究工作的目的及意义 | 第9-10页 |
1.2 设备故障诊断技术的研究概况 | 第10-11页 |
1.2.1 国内外故障诊断技术的研究概况 | 第10-11页 |
1.2.2 故障诊断方法的研究概况 | 第11页 |
1.3 数据融合技术概述 | 第11-18页 |
1.3.1 数据融合技术的发展历史与现状 | 第11-12页 |
1.3.2 数据融合技术在故障诊断中的应用 | 第12-13页 |
1.3.3 数据融合技术的基本知识 | 第13-18页 |
1.4 本文的主要工作 | 第18-21页 |
第2章 融合诊断系统及其结构模型 | 第21-33页 |
2.1 融合诊断系统 | 第21-23页 |
2.1.1 融合诊断系统的提出及定义 | 第21页 |
2.1.2 融合诊断系统的模型 | 第21-23页 |
2.2 数据融合的级别 | 第23-24页 |
2.2.1 数据级融合 | 第23页 |
2.2.2 特征级融合 | 第23-24页 |
2.2.3 决策级融合 | 第24页 |
2.3 故障诊断中应用的数据融合方法 | 第24-32页 |
2.3.1 基于统计的融合诊断方法 | 第25-28页 |
2.3.2 基于认识模型的融合诊断方法 | 第28-29页 |
2.3.3 基于参数估计的融合诊断方法 | 第29页 |
2.3.4 基于滤波技术的融合诊断方法 | 第29-30页 |
2.3.5 基于人工智能的融合诊断方法 | 第30-32页 |
2.3.6 基于模糊逻辑的融合诊断方法 | 第32页 |
2.4 本章小结 | 第32-33页 |
第3章 证据理论 | 第33-47页 |
3.1 不确定推理概述 | 第33-35页 |
3.1.1 不确定推理的定义 | 第33页 |
3.1.2 故障诊断中不确定性的产生 | 第33-34页 |
3.1.3 不确定推理的方法 | 第34页 |
3.1.4 不确定推理中的基本问题 | 第34-35页 |
3.2 D-S证据理论 | 第35-38页 |
3.2.1 D-S证据理论的基本概念 | 第35-36页 |
3.2.2 证据理论的一些基本定义 | 第36-38页 |
3.3 D-S证据理论的基本性质及证明 | 第38-41页 |
3.4 D-S证据理论的合成规则 | 第41-42页 |
3.5 基于证据理论的决策 | 第42-44页 |
3.5.1 D-S证据理论融合决策的基本过程 | 第42-43页 |
3.5.2 D-S证据理论的决策方法 | 第43-44页 |
3.6 基于D-S证据理论的故障诊断模型及步骤 | 第44-46页 |
3.6.1 故障诊断模型 | 第44页 |
3.6.2 诊断的基本步骤 | 第44-46页 |
3.7 D-S证据理论的优缺点 | 第46页 |
3.8 本章小结 | 第46-47页 |
第4章 神经网络与证据理论相结合的融合诊断方法 | 第47-62页 |
4.1 神经网络技术 | 第47页 |
4.2 BP神经网络模型及算法 | 第47-49页 |
4.3 神经网络与D-S证据理论相结合的融合诊断方法 | 第49-50页 |
4.4 诊断实例研究 | 第50-61页 |
4.4.1 诊断对象 | 第50-51页 |
4.4.2 信号采集系统 | 第51-52页 |
4.4.3 主要故障及现象 | 第52页 |
4.4.4 程序设计 | 第52-57页 |
4.4.5 诊断结果分析 | 第57-61页 |
4.5 本章小结 | 第61-62页 |
第5章 船用核动力装置的故障诊断研究 | 第62-79页 |
5.1 主要故障及故障现象 | 第62-66页 |
5.1.1 蒸汽发生器U形管破裂 | 第62-65页 |
5.1.2 主蒸汽管道破裂 | 第65-66页 |
5.2 特征提取及网络结构 | 第66-68页 |
5.3 样本的学习训练及融合结果 | 第68-69页 |
5.4 诊断实例分析 | 第69-78页 |
5.4.1 诊断系统结构 | 第69-71页 |
5.4.2 1#蒸发器U形管破裂事故的诊断 | 第71-74页 |
5.4.3 2#蒸发器U形管破裂事故的诊断 | 第74-75页 |
5.4.4 主蒸汽管道破裂事故的诊断 | 第75-76页 |
5.4.5 波动管破裂事故的诊断 | 第76-78页 |
5.5 本章小结 | 第78-79页 |
结论 | 第79-80页 |
参考文献 | 第80-84页 |
攻读硕士学位期间发表的论文和取得的科研成果 | 第84-85页 |