| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第6-11页 |
| 第1章 绪论 | 第11-25页 |
| §1.1 问题的提出 | 第11页 |
| §1.2 电机故障诊断概述 | 第11-13页 |
| §1.2.1 电机故障诊断现状 | 第11-12页 |
| §1.2.2 电机故障诊断面临的问题 | 第12-13页 |
| §1.3 多传感器数据融合概述 | 第13-15页 |
| §1.3.1 数据融合概念性问题 | 第13-14页 |
| §1.3.2 模型及结构 | 第14页 |
| §1.3.3 数据融合算法 | 第14-15页 |
| §1.3.4 数据融合的优缺点 | 第15页 |
| §1.4 电机故障诊断的多传感器融合方法 | 第15-16页 |
| §1.5 论文选题 | 第16页 |
| §1.6 论文所作的工作 | 第16-17页 |
| §1.7 论文约定 | 第17页 |
| §1.8 参考文献 | 第17-25页 |
| 第2章 多传感器数据融合 | 第25-41页 |
| §2.1 概述 | 第25页 |
| §2.2 数据融合的概念和术语 | 第25-27页 |
| §2.3 数据融合模型 | 第27-31页 |
| §2.3.1 JDL模型 | 第27页 |
| §2.3.2 UK情报环 | 第27-29页 |
| §2.3.3 BOYD控制环 | 第29页 |
| §2.3.4 瀑布模型 | 第29-30页 |
| §2.3.5 DASARATHY模型 | 第30-31页 |
| §2.3.6 OMNIBUS模型 | 第31页 |
| §2.4 数据融合系统的体系结构 | 第31-34页 |
| §2.4.1 集中式结构 | 第32页 |
| §2.4.2 分布式结构 | 第32-34页 |
| §2.5 数据融合的形式框架 | 第34-36页 |
| §2.6 数据融合算法 | 第36页 |
| §2.7 本章小结 | 第36-37页 |
| §2.8 参考文献 | 第37-41页 |
| 第3章 数据融合中的不确定性方法 | 第41-69页 |
| §3.1 概述 | 第41-42页 |
| §3.2 不确定性理论基础 | 第42-45页 |
| §3.2.1 模糊集及其α割集 | 第43页 |
| §3.2.2 单调测度 | 第43-45页 |
| §3.3 BAYES概率 | 第45-47页 |
| §3.4 可能性理论(POSSIBILITY THEORY) | 第47-49页 |
| §3.4.1 基于规则模糊集的解释 | 第47-48页 |
| §3.4.2 基于单调测度论的解释 | 第48-49页 |
| §3.5 DEMPSTER-SHAFER理论(DST) | 第49-51页 |
| §3.6 不精确概率(IMPRECISE PROBABILITY) | 第51-53页 |
| §3.6.1 基本概念 | 第51-52页 |
| §3.6.2 基本规则 | 第52页 |
| §3.6.3 避免必然损失(AVOIDING SURE LOSE, ASL) | 第52页 |
| §3.6.4 一致性(COHERENCE) | 第52-53页 |
| §3.6.5 自然延拓(NATURAL EXTENSION) | 第53页 |
| §3.7 不确定性测度之间的关系 | 第53-54页 |
| §3.8 不确定度问题 | 第54-63页 |
| §3.8.1 经典理论中的思想 | 第55-56页 |
| §3.8.2 可能性理论中的不确定度 | 第56-57页 |
| §3.8.3 证据理论中的不确定度 | 第57-59页 |
| §3.8.4 模糊测度中的不确定度 | 第59-60页 |
| §3.8.5 模糊集合论中的不确定度 | 第60-63页 |
| §3.9 本章小结 | 第63-64页 |
| §3.10 参考文献 | 第64-69页 |
| 第4章 电机故障诊断相关问题分析 | 第69-81页 |
| §4.1 概述 | 第69页 |
| §4.2 电机故障及诊断技术 | 第69-72页 |
| §4.3 电机故障特征 | 第72-75页 |
| §4.3.1 定子故障特征 | 第72页 |
| §4.3.2 转子故障特征 | 第72-73页 |
| §4.3.3 轴承故障特征 | 第73-74页 |
| §4.3.4 气隙偏心相关故障特征 | 第74-75页 |
| §4.4 电机故障诊断过程中的不确定性 | 第75-77页 |
| §4.4.1 传感器信号的不确定性 | 第75页 |
| §4.4.2 信号采集和信号处理中的不确定性 | 第75页 |
| §4.4.3 特征提取问题 | 第75-76页 |
| §4.4.4 电机运行环境的不确定性 | 第76页 |
| §4.4.5 诊断过程的不确定性 | 第76-77页 |
| §4.5 多传感器数据融合的适用性 | 第77-78页 |
| §4.6 本章小结 | 第78页 |
| §4.7 参考文献 | 第78-81页 |
| 第5章 数据融合故障诊断系统 | 第81-95页 |
| §5.1 概述 | 第81页 |
| §5.2 融合诊断系统分析 | 第81-82页 |
| §5.3 传感器分析 | 第82-83页 |
| §5.4 融合分析 | 第83页 |
| §5.5 其它方面因素 | 第83-84页 |
| §5.6 一个融合诊断系统结构模型 | 第84-85页 |
| §5.7 融合诊断系统的形式化 | 第85-92页 |
| §5.7.1 模型和模型算子 | 第86-89页 |
| §5.7.2 融合算子 | 第89-90页 |
| §5.7.3 数据融合系统的表示 | 第90-92页 |
| §5.8 本章小结 | 第92页 |
| §5.9 参考文献 | 第92-95页 |
| 第6章 融合诊断系统算法研究 | 第95-127页 |
| §6.1 概述 | 第95页 |
| §6.2 基于证据理论的决策融合 | 第95-109页 |
| §6.2.1 信度函数的计算 | 第97-103页 |
| §6.2.2 证据合成算法 | 第103-109页 |
| §6.3 基于支持向量机的特征关联 | 第109-114页 |
| §6.3.1 支持向量机简介 | 第109-112页 |
| §6.3.2 基于SVM分类的概率估计 | 第112-114页 |
| §6.4 一个基于SVM的转子断条故障关联的实例 | 第114-122页 |
| §6.4.1 SVM应用分析 | 第114-117页 |
| §6.4.2 试验及结果分析 | 第117-122页 |
| §6.5 本章小结 | 第122页 |
| §6.6 参考文献 | 第122-127页 |
| 第7章 结论与研究展望 | 第127-131页 |
| §7.1 本文结论 | 第127-128页 |
| §7.2 前景与展望 | 第128-130页 |
| §7.3 参考文献 | 第130-131页 |
| 攻读博士学位期间完成的论文 | 第131-132页 |
| 致谢 | 第132页 |
