基于知识管理的设备故障智能诊断模型研究
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 插图索引 | 第14-16页 |
| 表格索引 | 第16-17页 |
| 第1章 绪论 | 第17-35页 |
| 1.1 问题的提出 | 第17-21页 |
| 1.1.1 故障诊断技术的发展 | 第17-18页 |
| 1.1.2 智能诊断应用需求 | 第18-19页 |
| 1.1.3 智能诊断中的不确定性 | 第19-21页 |
| 1.2 国内外研究现状及分析 | 第21-31页 |
| 1.2.1 数据采集与状态监测研究现状 | 第21-22页 |
| 1.2.2 诊断维护知识建模研究现状 | 第22-25页 |
| 1.2.3 故障诊断推理研究现状 | 第25-28页 |
| 1.2.4 故障预测与维护决策支持研究现状 | 第28-29页 |
| 1.2.5 智能诊断应用研究现状 | 第29-31页 |
| 1.3 论文的研究内容及整体框架 | 第31-34页 |
| 1.3.1 论文的研究内容 | 第31-32页 |
| 1.3.2 论文的整体框架 | 第32-34页 |
| 1.4 本章小结 | 第34-35页 |
| 第2章 面向知识的智能故障诊断模型 | 第35-46页 |
| 2.1 引言 | 第35页 |
| 2.2 诊断维护知识的核心作用 | 第35-40页 |
| 2.2.1 现有诊断模型的缺陷与不足 | 第35-37页 |
| 2.2.2 智能诊断中的知识建模 | 第37-38页 |
| 2.2.3 智能诊断中的诊断推理与维护决策 | 第38-40页 |
| 2.3 KOID 模型 | 第40-45页 |
| 2.3.1 模型的框架 | 第40-41页 |
| 2.3.2 KOID 模型的内涵与功能层次 | 第41-42页 |
| 2.3.3 KOID 模型的体系结构 | 第42-44页 |
| 2.3.4 KOID 模型的应用模式与优势 | 第44-45页 |
| 2.4 本章小结 | 第45-46页 |
| 第3章 基于 WSNs 的状态监测技术研究 | 第46-56页 |
| 3.1 引言 | 第46-47页 |
| 3.2 状态监测传感器网络模型 | 第47-50页 |
| 3.2.1 无线传感器网络 | 第47-48页 |
| 3.2.2 状态监测数据的采集与传输 | 第48页 |
| 3.2.3 基于 WSNs 的状态监测模型 | 第48-50页 |
| 3.3 基于 WSNs 的状态监测系统设计 | 第50-53页 |
| 3.3.1 数据采集节点设计 | 第50-51页 |
| 3.3.2 网络拓扑结构与 MAC 协议设计 | 第51-52页 |
| 3.3.3 信号处理单元 | 第52-53页 |
| 3.4 状态监测应用实例 | 第53-55页 |
| 3.5 本章小结 | 第55-56页 |
| 第4章 本体驱动的诊断维护知识建模 | 第56-70页 |
| 4.1 引言 | 第56-57页 |
| 4.2 诊断维护知识建模 | 第57-61页 |
| 4.2.1 本体论与知识表示 | 第57-58页 |
| 4.2.2 诊断维护知识建模 | 第58-60页 |
| 4.2.3 诊断维护语义知识的关联 | 第60-61页 |
| 4.3 维护与诊断过程建模 | 第61-65页 |
| 4.3.1 诊断维护过程分解 | 第62-63页 |
| 4.3.2 状态-征兆映射 | 第63-64页 |
| 4.3.3 故障-征兆匹配与知识推理 | 第64-65页 |
| 4.4 基于知识的故障诊断案例 | 第65-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第5章 基于贝叶斯网络的智能诊断推理 | 第70-81页 |
| 5.1 引言 | 第70页 |
| 5.2 不确定性知识推理与贝叶斯网络 | 第70-75页 |
| 5.2.1 本体与逻辑推理 | 第70-72页 |
| 5.2.2 概率本体与贝叶斯网络 | 第72-74页 |
| 5.2.3 OntoDBN 体系结构 | 第74-75页 |
| 5.3 设备维护与故障诊断本体 | 第75-78页 |
| 5.3.1 维护诊断本体建模 | 第75-76页 |
| 5.3.2 维护诊断本体的概率扩展 | 第76-78页 |
| 5.4 OntoDBN 的概率推理 | 第78-80页 |
| 5.4.1 异常工况状态识别 | 第78-79页 |
| 5.4.2 故障诊断概率推理算法 | 第79-80页 |
| 5.5 本章小结 | 第80-81页 |
| 第6章 基于 FAHP 的诊断维护群组决策 | 第81-96页 |
| 6.1 引言 | 第81页 |
| 6.2 设备维护策略优化基础理论 | 第81-84页 |
| 6.2.1 基于状态的诊断维护决策 | 第81-82页 |
| 6.2.2 设备维护策略优化 | 第82-84页 |
| 6.3 DBN-GDS 维护决策模型 | 第84-89页 |
| 6.3.1 决策理论与智能故障诊断 | 第84-86页 |
| 6.3.2 故障严重度与故障概率评估 | 第86-88页 |
| 6.3.3 FAHP 评估层次结构 | 第88-89页 |
| 6.4 基于 FPP 的诊断维护群组决策方法 | 第89-93页 |
| 6.4.1 模糊偏好规划方法 FPP | 第89-91页 |
| 6.4.2 群组决策评估方法 | 第91-92页 |
| 6.4.3 故障成因综合评估 | 第92-93页 |
| 6.5 设备评估实例分析 | 第93-95页 |
| 6.6 本章小结 | 第95-96页 |
| 第7章 智能故障诊断原型系统设计与开发 | 第96-113页 |
| 7.1 引言 | 第96页 |
| 7.2 背景企业智能诊断平台简介 | 第96-98页 |
| 7.3 KOID 原型系统的实现 | 第98-107页 |
| 7.3.1 KOID 系统总体架构 | 第98-99页 |
| 7.3.2 KOID 系统特点 | 第99-100页 |
| 7.3.3 KOID 系统主要模块设计 | 第100-107页 |
| 7.3.3.1 数据采集模块的设计 | 第100-102页 |
| 7.3.3.2 本体管理模块的设计 | 第102-106页 |
| 7.3.3.3 故障诊断推理模块设计 | 第106-107页 |
| 7.4 应用实例分析 | 第107-112页 |
| 7.4.1 风机异常状态数据分析 | 第107-108页 |
| 7.4.2 风机故障征兆的判定 | 第108-109页 |
| 7.4.3 风机故障概率计算 | 第109-112页 |
| 7.5 本章小结 | 第112-113页 |
| 总结与展望 | 第113-116页 |
| 参考文献 | 第116-132页 |
| 致谢 | 第132-133页 |
| 附录A 攻读学位期间发表和录用的论文目录 | 第133-134页 |
| 附录B 攻读学位期间参与的研究项目 | 第134页 |
