| 摘要 | 第1-6页 |
| Abstract | 第6-15页 |
| 第1章 绪论 | 第15-30页 |
| ·课题的研究背景及意义 | 第15-17页 |
| ·液压系统故障诊断技术的研究现状与发展趋势 | 第17-19页 |
| ·液压系统故障诊断技术的研究现状 | 第17-18页 |
| ·液压系统故障诊断技术的发展趋势 | 第18-19页 |
| ·基于信息融合故障诊断技术的研究现状 | 第19-22页 |
| ·贝叶斯网络及在故障诊断中的应用 | 第22-26页 |
| ·贝叶斯网络 | 第23-24页 |
| ·贝叶斯网络用于故障诊断的优势 | 第24-25页 |
| ·贝叶斯网络在故障诊断中的应用 | 第25-26页 |
| ·本文研究的意义及主要研究工作 | 第26-30页 |
| ·本文研究的意义 | 第26-27页 |
| ·本文研究的主要内容 | 第27-30页 |
| 第2章 液压泵信号处理及故障特征提取 | 第30-64页 |
| ·故障特征信号的采集方法 | 第30-32页 |
| ·振动信号的采集 | 第30-31页 |
| ·声音信号的采集 | 第31-32页 |
| ·小波包消噪法 | 第32-34页 |
| ·基于Hilbert 变换的包络解调法 | 第34-35页 |
| ·Hilbert 变换 | 第34-35页 |
| ·Hilbert 变换解调的实现过程 | 第35页 |
| ·基于小波理论滤波消噪的包络分析信号处理 | 第35-36页 |
| ·柱塞泵松靴故障的信号处理 | 第36-43页 |
| ·松靴故障的振动信号分析 | 第36-40页 |
| ·松靴故障的声音信号分析 | 第40-43页 |
| ·柱塞泵滑靴磨损故障的信号处理 | 第43-45页 |
| ·滑靴磨损故障的振动信号分析 | 第43-44页 |
| ·滑靴磨损故障的声音信号分析 | 第44-45页 |
| ·柱塞泵中心弹簧失效故障的信号处理 | 第45-49页 |
| ·中心弹簧失效故障的振动信号分析 | 第46-47页 |
| ·中心弹簧失效故障的声音信号分析 | 第47-49页 |
| ·信号的幅值域特征提取 | 第49-53页 |
| ·随机信号的幅值概率密度 | 第50-51页 |
| ·有量纲幅值域诊断参数 | 第51-52页 |
| ·无量纲幅值域诊断参数 | 第52-53页 |
| ·基于小波包的时频域特征提取 | 第53-55页 |
| ·液压泵振动信号的幅值域特征提取 | 第55-60页 |
| ·波形指标 | 第56-57页 |
| ·峰值指标 | 第57页 |
| ·裕度指标 | 第57-58页 |
| ·脉冲指标 | 第58-59页 |
| ·峭度指标 | 第59-60页 |
| ·液压泵振动信号的时频域特征提取 | 第60-62页 |
| ·本章小结 | 第62-64页 |
| 第3章 粗糙集理论在故障诊断方法中的应用研究 | 第64-79页 |
| ·知识的约简 | 第64-66页 |
| ·一般约简 | 第64-65页 |
| ·相对约简 | 第65-66页 |
| ·决策表属性约简算法 | 第66-70页 |
| ·基于分辨矩阵的属性约简算法 | 第66-67页 |
| ·基于主元模型的启发式属性约简算法 | 第67-68页 |
| ·实例分析 | 第68-70页 |
| ·粗糙集多变量决策树的诊断规则提取方法 | 第70-77页 |
| ·决策树算法 | 第71页 |
| ·多变量决策树 | 第71-73页 |
| ·实例分析 | 第73-77页 |
| ·本章小结 | 第77-79页 |
| 第4章 主元分析在特征降维与故障检测中的应用 | 第79-94页 |
| ·主元分析方法 | 第80-82页 |
| ·主元分析方法的故障检测 | 第82-84页 |
| ·主元分析特征提取及降维实例分析 | 第84-87页 |
| ·主元分析方法的故障检测 | 第87-93页 |
| ·检测方法的实现过程 | 第87-88页 |
| ·故障检测实例 | 第88-93页 |
| ·本章小结 | 第93-94页 |
| 第5章 单传感器多特征信息融合的贝叶斯网络故障诊断方法 | 第94-112页 |
| ·多传感器信息融合 | 第94-96页 |
| ·信息融合的融合结构 | 第94-96页 |
| ·信息融合的方法 | 第96页 |
| ·基于贝叶斯参数估计算法信息融合数学模型 | 第96-97页 |
| ·贝叶斯网络 | 第97-99页 |
| ·贝叶斯网络的表示 | 第98-99页 |
| ·贝叶斯网络的构建 | 第99页 |
| ·贝叶斯网络分类器 | 第99-102页 |
| ·贝叶斯分类器 | 第99-100页 |
| ·贝叶斯网络分类器的分类 | 第100-102页 |
| ·多特征信息融合贝叶斯网络的故障诊断方法 | 第102-105页 |
| ·诊断方法的实现过程 | 第102-103页 |
| ·贝叶斯网络分类器的设计 | 第103-105页 |
| ·液压泵振动信号的故障诊断分析 | 第105-110页 |
| ·两种模式的故障诊断 | 第105-106页 |
| ·增加故障模式后的故障诊断 | 第106-107页 |
| ·增加特征信息的多模式故障诊断 | 第107-110页 |
| ·结果分析 | 第110页 |
| ·本章小结 | 第110-112页 |
| 第6章 多传感器信息融合贝叶斯网络故障诊断方法及实验研究 | 第112-133页 |
| ·信息融合的贝叶斯网络故障诊断方法 | 第112-114页 |
| ·故障特征信号的预处理 | 第113-114页 |
| ·诊断过程的实现 | 第114页 |
| ·基于虚拟仪器的液压泵故障诊断实验系统 | 第114-117页 |
| ·实验系统组成 | 第115-116页 |
| ·虚拟仪器状态监测系统 | 第116-117页 |
| ·轴向柱塞泵的故障分析 | 第117-118页 |
| ·松靴故障 | 第117-118页 |
| ·滑靴与斜盘磨损故障 | 第118页 |
| ·中心弹簧失效故障 | 第118页 |
| ·柱塞泵监测信号的采集 | 第118-120页 |
| ·正常工作时的信号 | 第119页 |
| ·柱塞泵故障时的压力信号 | 第119-120页 |
| ·多源信号的预处理 | 第120-126页 |
| ·特征提取 | 第121-124页 |
| ·粗糙集理论的特征属性约简 | 第124-125页 |
| ·主元分析方法的特征降维 | 第125-126页 |
| ·信息融合贝叶斯网络方法的故障诊断应用 | 第126-129页 |
| ·诊断模型的建立 | 第126-128页 |
| ·故障诊断过程 | 第128-129页 |
| ·本文三种诊断方法比较 | 第129-131页 |
| ·基于粗糙集模型的诊断方法 | 第130页 |
| ·诊断结果分析比较 | 第130-131页 |
| ·本章小结 | 第131-133页 |
| 结论 | 第133-135页 |
| 附录 | 第135-138页 |
| 参考文献 | 第138-148页 |
| 攻读博士学位期间承担的科研任务与主要成果 | 第148-150页 |
| 致谢 | 第150-151页 |
| 作者简介 | 第151页 |