文摘
英文文摘
声明
第一章绪论
1.1选题背景及意义
1.2本课题的国内外研究现状
1.2.1国外故障诊断技术发展
1.2.2国内故障诊断技术的发展
1.3故障诊断常用的方法
1.3.1基于离散事件的方法
1.3.2基于信号处理的方法
1.3.3基于解析模型的方法
1.3.4基于知识的方法
1.4基于贝叶斯网络的故障诊断方法
1.4.1贝叶斯网络的发展与研究现状
1.4.2贝叶斯网络应用于故障诊断的优势
1.5本文完成的主要工作
第二章贝叶斯网络的表示、学习和推理
2.1引言
2.2贝叶斯网络的表示
2.2.1贝叶斯网络的条件独立假设与d-分离
2.2.2单连通和多连通贝叶斯网络
2.3贝叶斯网络的参数学习
2.4贝叶斯网络的结构学习
2.4.1基于评分的贝叶斯网络结构学习
2.4.2基于条件独立性测试的贝叶斯网络结构学习
2.5贝叶斯网络推理
2.5.1贝叶斯网络的精确推理算法
2.5.2贝叶斯网络的近似推理算法
2.5.3贝叶斯网络推理程序框架
2.6小结
第三章 贝叶斯网络的简化推理算法
3.1引言
3.2贝叶斯网络中的独立关系
3.2.1条件独立关系
3.2.2上下文独立关系
3.2.3因果影响独立关系
3.3贝叶斯网络结构简化方法
3.3.1应用条件独立关系简化
3.3.2剪切无关节点方法
3.3.3预计算方法
3.3.4剪切无关节点方法与预计算方法的分析与比较
3.4实例分析
3.5贝叶斯网络概率推理中的空间优化方法
3.5.1递归调节算法(RC算法)
3.5.2内存分配问题
3.5.3时间-空间曲线
3.6小结
第四章贝叶斯网络在汽轮机故障诊断中的应用
4.1引言
4.2汽轮机常见异常振动概述
4.3振动信号的频域特征分析
4.3.1转子不平衡的频谱征兆
4.3.2转子动静碰摩的故障频谱征兆
4.3.3不对中故障的频谱征兆
4.3.4轴承松动故障的频谱征兆
4.3.5油膜涡动与油膜振荡故障的频谱征兆
4.4基于贝叶斯网络知识表示
4.5基于贝叶斯网络的诊断模型的建立
4.6专家系统中的推理机制
4.7实例分析
4.8小结
第五章基于主成分分析法与贝叶斯网络的汽轮机故障诊断方法
5.1引言
5.2主成分分析法
5.2.1主成分分析算法
5.2.2主成分的特性
5.2.3主成分的贡献率
5.3仿真研究
5.3.1基于模式识别技术的汽轮机故障诊断
5.3.2主成分分析用于汽轮机故障样本特征提取
5.4基于主成分分析方法和贝叶斯网络的汽轮机故障诊断
5.4.1诊断模型的建立
5.4.2诊断结果分析比较
5.5小结
第六章基于粗糙集理论与贝叶斯网络的汽轮机故障诊断方法
6.1引言
6.2粗糙集理论简介
6.3基于粗糙集理论的知识约简
6.3.1一般知识约简
6.3.2相对知识约简
6.3.3决策表化简
6.4基于粗糙集理论的汽轮机诊断规则提取
6.5基于粗糙集理论和贝叶斯网络的汽轮机故障诊断模型的建立
6.6小结
第七章结论与展望
7.1论文的主要工作和创新点
7.2本课题进一步的研究设想
参考文献
致 谢
个人简历、在学期间参加的科研工作及学术论文发表