声明
1 绪论
1.1 选题背景及意义
1.2 国内外研究现状
1.2.1 故障诊断方法综述
1.2.2 列控车载设备故障诊断现状
1.3 主要研究内容
2 贝叶斯网络算法理论
2.1 贝叶斯网络基础知识
2.1.1 概率论基础
2.1.2 图论基础
2.1.3 图形化表示
2.2 贝叶斯网络学习
2.2.1 结构学习
2.2.2 参数学习
2.3 推理过程
2.4 小结
3 基于CS-PSO优化BN的模型构建
3.1 布谷鸟算法
3.2 粒子群算法
3.3 CS-PSO算法
3.4 基于CS-PSO算法的BN结构学习
3.4.1 鸟巢的表示及初始化
3.4.2 PSO 算法的鸟巢位置更新
3.4.3 CS算法Levy飞行的鸟巢位置更新
3.4.4 BN结构学习中鸟巢的适应度函数表示
3.4.5 BN结构学习中的非法模型
3.4.6 BN的非法模型去环操作
3.5 算法实验
3.6 小结
4 基于CS-PSO优化BN的列控车载设备故障诊断
4.1 列控车载设备的构成及功能
4.1.1 列控车载设备的构成
4.1.2 列控车载设备的功能及特点
4.2 列控车载设备的故障数据及特征
4.2.1 故障追踪表
4.2.2 列控车载设备的故障特征
4.3 建立诊断知识数据库
4.3.1 故障的数据挖掘
4.3.2 建立诊断知识库
4.4 建立基于诊断知识数据库的BN结构模型
4.4.1 贝叶斯网络模型节点的确定
4.4.2 列控车载设备的故障统计
4.4.3 车载设备故障节点的划分
4.4.4 基于诊断知识库的TIU模型
4.4.5 基于诊断知识数据库的BN结构模型
4.5 建立基于信息融合的BN结构模型
4.5.1 基于CS-PSO优化BN的车载故障模型
4.5.2 基于信息融合的BN结构模型
4.6 BN模型的参数学习
4.7 模型验证
4.7.1 实例验证1
4.7.2 实例验证2
4.8 小结
结论
致谢
参考文献
攻读学位期间的研究成果