| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-12页 |
| 1.1 选题研究背景及意义 | 第9页 |
| 1.2 国外与国内研究现状 | 第9-10页 |
| 1.3 论文的主要工作及结构 | 第10-12页 |
| 1.3.1 论文的主要工作 | 第10-11页 |
| 1.3.2 论文的结构 | 第11-12页 |
| 2 故障分析与诊断技术方法概述 | 第12-15页 |
| 2.1 故障的定义 | 第12页 |
| 2.2 故障诊断方法发展与分类 | 第12-14页 |
| 2.3 故障预测 | 第14页 |
| 2.4 本章小结 | 第14-15页 |
| 3 电力机车故障建模 | 第15-22页 |
| 3.1 电力机车及司机显示单元 | 第15-17页 |
| 3.1.1 电力机车微机网络监控系统简介 | 第16页 |
| 3.1.2 司机显示单元简介 | 第16-17页 |
| 3.2 电力机车故障诊断流程 | 第17页 |
| 3.3 电力机车的网络数据定义 | 第17-19页 |
| 3.4 数据处理及特征选择 | 第19-21页 |
| 3.5 本章小结 | 第21-22页 |
| 4 基于案例推理技术的电力机车故障分析诊断研究 | 第22-41页 |
| 4.1 案例推理概述 | 第22-23页 |
| 4.1.1 案例推理技术基本概念 | 第22页 |
| 4.1.2 案例推理技术的原理与特点 | 第22-23页 |
| 4.2 电力机车故障的案例表示 | 第23-24页 |
| 4.2.1 案例表示方法 | 第23-24页 |
| 4.2.2 案例表示实现 | 第24页 |
| 4.3 电力机车故障的案例组织 | 第24-25页 |
| 4.4 电力机车故障的案例检索 | 第25-26页 |
| 4.5 基于粗糙集的案例特征属性提取技术研究 | 第26-35页 |
| 4.5.1 粗糙集理论 | 第27-29页 |
| 4.5.2 基于粗糙集的决策表的盲目删除属性约简算法 | 第29-33页 |
| 4.5.3 基于粗糙集的属性权值提取 | 第33-35页 |
| 4.6 电力机车故障案例库的更新 | 第35-36页 |
| 4.7 基于粗糙集的案例推理方法的策略制定 | 第36页 |
| 4.8 基于粗糙集的案例推理方法的仿真实现 | 第36-40页 |
| 4.8.1 仿真环境和数据、程序说明 | 第36页 |
| 4.8.2 基于粗糙集的案例推理方法的仿真结果 | 第36-40页 |
| 4.9 本章小结 | 第40-41页 |
| 5 基于神经网络方法的电力机车故障分析技术研究 | 第41-59页 |
| 5.1 BP神经网络 | 第41-42页 |
| 5.1.1 神经网络模型 | 第41页 |
| 5.1.2 BP神经网络基础 | 第41-42页 |
| 5.2 粒子群优化算法 | 第42-47页 |
| 5.2.1 粒子群优化算法概念与原理 | 第42-44页 |
| 5.2.2 改进的粒子群优化算法 | 第44-45页 |
| 5.2.3 粒子群优化算法流程 | 第45-47页 |
| 5.3 数据处理与特征提取 | 第47-48页 |
| 5.4 PSO-BP算法设计 | 第48-52页 |
| 5.4.1 PSO-BP算法框架设计 | 第48-50页 |
| 5.4.2 PSO-BP算法流程 | 第50页 |
| 5.4.3 BP神经网络参数的确定 | 第50-52页 |
| 5.4.4 PSO参数的确定 | 第52页 |
| 5.5 PSO-BP算法故障诊断实现 | 第52-58页 |
| 5.5.1 PSO-BP改进算法故障诊断结果 | 第52-57页 |
| 5.5.2 PSO-BP改进算法实现结果总结 | 第57-58页 |
| 5.5.3 PSO-BP改进算法实现结论 | 第58页 |
| 5.6 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-63页 |
| 附录 电力机车故障诊断研究知识库 | 第63-65页 |
| 致谢 | 第65-66页 |