目录 · · · · · ·
第1 章 绪论 1
1.1 液压系统故障诊断技术的发展简史 1
1.2 液压系统故障诊断技术的发展趋势 3
1.3 液压系统故障检测与诊断新方法 4
1.3.1 小波理论方法 5
1.3.2 频谱细化方法 5
· · · · · · (更多)
1.1 液压系统故障诊断技术的发展简史 1
1.2 液压系统故障诊断技术的发展趋势 3
1.3 液压系统故障检测与诊断新方法 4
1.3.1 小波理论方法 5
1.3.2 频谱细化方法 5
· · · · · · (更多)
第1 章 绪论 1
1.1 液压系统故障诊断技术的发展简史 1
1.2 液压系统故障诊断技术的发展趋势 3
1.3 液压系统故障检测与诊断新方法 4
1.3.1 小波理论方法 5
1.3.2 频谱细化方法 5
1.3.3 混沌分形理论方法 6
1.3.4 Lyapunov指数及关联维数方法 6
1.3.5 信息熵方法 7
1.3.6 贝叶斯网络方法 7
1.3.7 Hilbert-Huang变换方法 8
1.3.8 神经网络方法 8
1.3.9 多源信息融合方法 10
1.3.10 人工免疫方法 11
1.3.11 灰色系统方法 12
1.3.12 核主元分析方法 13
1.3.13 支持向量机方法 14
1.3.14 证据理论方法 15
1.4 本书的主要内容 16
本章参考文献 17
第2 章 气动系统的常见故障与排除方法 19
2.1 气动系统使用中的常见故障 19
2.1.1 气源质量不良 19
2.1.2 气动元件故障 20
2.2 气动系统常见故障的排除 21
2.2.1 气源质量不良故障的排除方法 21
2.2.2 气缸故障的排除方法 23
2.2.3 气动控制阀故障的排除方法 25
2.2.4 气动辅助元件故障的排除方法 26
本章参考文献 27
第3 章 气动系统的故障诊断技术与工程应用实例 28
3.1 气动系统故障的基本特征及常用的诊断方法 28
3.1.1 气动系统故障的基本特征 28
3.1.2 气动系统常用的诊断方法 28
3.2 气动系统故障诊断的基本原理及后处理 29
3.2.1 故障诊断的基本原理 29
3.2.2 故障诊断的后处理 31
3.3 气动系统的故障诊断技术方法 31
3.3.1 基于CBM 的气动系统故障诊断技术 31
3.3.2 基于故障树的气动系统故障诊断技术 35
3.4 气动系统故障诊断技术的工程应用实例 36
3.4.1 混凝土搅拌站气动系统故障的排除 36
3.4.2 热风整平机气动系统常见故障的排除 38
本章参考文献 41
第4 章 液压泵多传感器状态监测系统 42
4.1 状态监测试验系统组成 42
4.2 轴向柱塞泵典型故障及故障特征频率 43
4.2.1 轴向柱塞泵典型故障机理分析 43
4.2.2 轴向柱塞泵典型故障的特征频率 44
4.3 振动传感器及其测点位置的选择 45
4.3.1 振动传感器的选型 45
4.3.2 振动传感器的安装方式 46
4.3.3 x 和y 方向测点位置的选取 47
4.4 声级计及其测点的选择 53
4.4.1 声级计的选型 53
4.4.2 声级计测点的确定 53
4.5 轴向柱塞泵状态监测系统 54
4.6 轴向柱塞泵的故障模拟 55
4.7 试验数据采集 56
4.7.1 信号采集的参数设置 56
4.7.2 故障模式下的试验数据采集 56
本章参考文献 56
第5 章 基于信号多信息域分析的故障特征提取 58
5.1 基于小波包滤波消噪及Hilbert包络解调的信号处理 58
5.1.1 小波包滤波消噪 58
5.1.2 Hilbert变换包络解调方法 60
5.1.3 基于小波包滤波消噪及包络解调的信号处理 62
5.2 信号的时域特征提取 62
5.2.1 有量纲参量 62
5.2.2 无量纲参量 64
5.2.3 振动和声音信号的时域特征提取 64
5.2.4 压力信号的时域特征提取 67
5.3 信号的频域特征提取 69
5.3.1 频域特征参量 69
5.3.2 声音信号的频域特征提取 70
5.3.3 压力信号的频域特征提取 71
5.4 信号的时频域特征提取 72
5.4.1 时频域特征参量 72
5.4.2 信号的时频域特征提取 73
5.5 信号的多信息域故障特征向量构建 75
本章参考文献 75
第6 章 灰靶理论在液压泵故障等级评估中的应用 77
6.1 灰色理论及灰靶理论分析方法 77
6.1.1 灰色理论概述 77
6.1.2 灰色理论诊断方法 78
6.1.3 灰靶理论及灰靶贡献度 81
6.2 主分量分析及最大熵谱估计 83
6.2.1 信号的谱估计 83
6.2.2 主分量分析与故障信息分离 86
6.2.3 液压泵故障信号的最大熵谱估计 87
6.3 基于灰靶理论的液压泵故障模式识别 88
6.3.1 液压泵故障诊断试验系统 88
6.3.2 基于灰靶理论的液压泵故障模式识别步骤 88
6.3.3 振动信号的预处理 90
6.3.4 故障振动信号功率谱分析及特征提取 91
6.3.5 基于灰靶理论的故障等级评估 94
本章参考文献 96
第7 章 基于灰色神经网络的故障诊断方法 97
7.1 灰色神经网络 97
7.1.1 基于知识的故障诊断方法 97
7.1.2 灰色理论 98
7.1.3 神经网络 100
7.1.4 灰色理论与神经网络的结合 102
7.2 液压泵状态监测试验 104
7.2.1 液压泵的状态监测 104
7.2.2 监测数据的采集 105
7.3 基于灰色神经网络方法的故障诊断 107
7.3.1 信号处理 108
7.3.2 特征向量提取 112
7.3.3 灰色神经网络故障诊断 115
本章参考文献 118
第8 章 基于混沌神经网络的故障诊断方法 119
8.1 混沌神经网络的理论基础 119
8.1.1 混沌及其特征 119
8.1.2 混沌的判据 121
8.1.3 Logistic映射分析 122
8.1.4 神经网络概述 124
8.1.5 误差反向传播神经网络 125
8.1.6 前向混沌神经网络及其学习算法 127
8.2 液压泵振动信号的分析与处理 131
8.2.1 短时最大熵谱分析 131
8.2.2 小波包带通滤波和消噪 132
8.2.3 Hilbert包络解调 133
8.3 混沌神经网络在液压泵故障诊断中的应用 135
8.3.1 基于前向混沌神经网络的故障诊断过程 135
8.3.2 液压泵各状态振动信号的采集 136
8.3.3 前向混沌神经网络的设计 136
8.3.4 液压泵故障诊断及结果分析 139
本章参考文献 144
第9 章 基于联想记忆神经网络的故障诊断方法 145
9.1 联想记忆神经网络 145
9.1.1 离散Hopfield神经网络 145
9.1.2 联想记忆 149
9.1.3 联想记忆网络应用举例 152
9.2 Hopfield网络的结构改进和学习算法 154
9.2.1 反向传播网络 154
9.2.2 联想记忆神经网络的结构改进 157
9.2.3 粒子群优化算法 158
9.2.4 PSO算法对Hopfield网络权值的优化 160
9.3 基于联想记忆神经网络的液压泵故障诊断 161
9.3.1 振动信号的采集 161
9.3.2 信号预处理及故障特征提取 162
9.3.3 联想记忆神经网络的参数设置 164
9.3.4 基于联想记忆神经网络的液压泵故障识别 168
9.3.5 基于联想记忆神经网络的样本交叉循环训练的故障识别 172
本章参考文献 174
第10 章 基于免疫危险理论的故障诊断方法 175
10.1 人工免疫系统与免疫危险理论 175
10.1.1 生物免疫系统 175
10.1.2 人工免疫系统 177
10.1.3 人工免疫系统的求解算法 178
10.1.4 免疫危险理论 180
10.2 液压泵各状态振动信号的采集与预处理 182
10.2.1 振动信号的采集 182
10.2.2 共振信号的解调 183
10.2.3 液压泵故障状态特征信息的提取 188
10.3 免疫危险理论在特征降维与故障诊断中的应用 191
10.3.1 基于免疫危险理论的液压泵振动信号特征选择算法 191
10.3.2 基于免疫危险理论的故障诊断算法 197
本章参考文献 205
第11 章 基于HHT 和模糊C 均值聚类的故障诊断方法 207
11.1 基于Hilbert-Huang变换的轴向柱塞泵振动信号分析 207
11.1.1 Hilbert-Huang变换 207
11.1.2 轴向柱塞泵状态信号的采集 210
11.1.3 滑靴磨损故障振动信号分析 211
11.1.4 松靴故障振动信号分析 214
11.1.5 中心弹簧失效故障振动信号分析 216
11.2 基于Hilbert-Huang变换的轴向柱塞泵压力信号分析 219
11.2.1 正常状态压力信号分析 219
11.2.2 滑靴磨损故障压力信号分析 221
11.2.3 松靴故障压力信号分析 224
11.2.4 中心弹簧失效故障压力信号分析 226
11.3 基于HHT的故障特征向量提取 229
11.3.1 局部边际能量谱及特征能量 229
11.3.2 振动信号的特征提取 229
11.3.3 压力信号的特征提取 233
11.4 基于模糊C 均值聚类的模式识别 236
11.4.1 模式识别和模糊聚类 236
11.4.2 模糊C 均值聚类算法 237
11.4.3 基于FCMC算法和振动信号的轴向柱塞泵故障识别 238
11.4.4 基于FCMC算法和压力信号的轴向柱塞泵故障识别 239
本章参考文献 242
第12 章 信息熵理论在健康状态评估中的应用 243
12.1 信号在不同分析域中的信息熵特征 243
12.1.1 信息系统的分析模型 243
12.1.2 信息熵的概念 243
12.1.3 信息熵的性质 244
12.1.4 振动信号时域信息熵特征提取 245
12.1.5 振动信号的频域信息熵特征提取 246
12.1.6 振动信号时频域信息熵特征提取 247
12.2 滑靴油膜理论 248
12.2.1 滑靴的磨损形式 249
12.2.2 油膜的热楔效应 249
12.2.3 圆盘的油膜挤压效应 250
12.2.4 静压支承油膜理论 250
12.2.5 滑靴斜盘摩擦副受力分析 253
12.2.6 滑靴偏磨 255
12.3 液压泵健康状态评估的试验研究 256
12.3.1 液压泵健康评估试验系统 256
12.3.2 试验步骤 257
12.3.3 试验结果分析 257
本章参考文献 266
第13 章 基于声音信号的核主元分析故障诊断方法 268
13.1 PCA的基本原理 268
13.1.1 PCA模型 268
13.1.2 统计量的确定 269
13.2 KPCA的基本原理 270
13.2.1 KPCA模型 270
13.2.2 核函数的选取 271
13.2.3 统计量的确定 272
13.3 基于声音信号的KPCA故障诊断方法 272
13.3.1 核主元模型的构建步骤 272
13.3.2 在线检测的步骤 272
13.4 试验研究 273
13.4.1 声音信号分析 273
13.4.2 声音信号的特征向量提取 274
13.4.3 基于声音信号的KPCA故障诊断方法的诊断结果 277
13.4.4 基于声音信号的PCA故障诊断方法的诊断结果 278
13.4.5 基于振动信号的KPCA故障诊断方法的诊断结果 279
13.4.6 诊断结果比较 279
本章参考文献 280
第14 章 指数加权动态核主元分析的故障诊断方法 281
14.1 指数加权动态自回归统计模型 281
14.1.1 指数加权主元分析模型 281
14.1.2 基于滑动时间窗口的数据更新 281
14.1.3 指数加权核主元分析模型 282
14.1.4 指数加权核主元分析模型的特点 282
14.2 指数加权动态核主元分析法的建模与故障诊断 283
14.2.1 第1个时间窗口的建模与故障诊断 283
14.2.2 第1个时间窗口以后各窗口的建模与故障诊断 283
14.3 试验研究 285
14.3.1 振动信号分析 285
14.3.2 振动信号的特征向量提取 286
14.3.3 指数加权动态核主元分析的故障诊断方法的诊断结果 287
本章参考文献 289
第15 章 SVM 与证据理论集成的多源信息融合故障诊断方法 291
15.1 证据理论 291
15.1.1 证据理论中的几个重要概念 291
15.1.2 证据区间的描述 292
15.1.3 信度函数的融合规则 292
15.2 基于矩阵分析的融合算法 293
15.2.1 置信度分配矩阵 293
15.2.2 算法描述 293
15.3 基本概率分配的确定方法 294
15.3.1 基于BP神经网络确定基本概率分配 294
15.3.2 基于SVM 确定基本概率分配 295
15.4 基于证据理论的多源信息融合故障诊断方法 297
15.4.1 故障特征参量的提取 297
15.4.2 故障诊断过程的实现 298
15.5 试验研究 298
15.5.1 信号处理 299
15.5.2 基本概率分配的确定 300
15.5.3 试验结果分析 303
本章参考文献 305
· · · · · · (收起)
1.1 液压系统故障诊断技术的发展简史 1
1.2 液压系统故障诊断技术的发展趋势 3
1.3 液压系统故障检测与诊断新方法 4
1.3.1 小波理论方法 5
1.3.2 频谱细化方法 5
1.3.3 混沌分形理论方法 6
1.3.4 Lyapunov指数及关联维数方法 6
1.3.5 信息熵方法 7
1.3.6 贝叶斯网络方法 7
1.3.7 Hilbert-Huang变换方法 8
1.3.8 神经网络方法 8
1.3.9 多源信息融合方法 10
1.3.10 人工免疫方法 11
1.3.11 灰色系统方法 12
1.3.12 核主元分析方法 13
1.3.13 支持向量机方法 14
1.3.14 证据理论方法 15
1.4 本书的主要内容 16
本章参考文献 17
第2 章 气动系统的常见故障与排除方法 19
2.1 气动系统使用中的常见故障 19
2.1.1 气源质量不良 19
2.1.2 气动元件故障 20
2.2 气动系统常见故障的排除 21
2.2.1 气源质量不良故障的排除方法 21
2.2.2 气缸故障的排除方法 23
2.2.3 气动控制阀故障的排除方法 25
2.2.4 气动辅助元件故障的排除方法 26
本章参考文献 27
第3 章 气动系统的故障诊断技术与工程应用实例 28
3.1 气动系统故障的基本特征及常用的诊断方法 28
3.1.1 气动系统故障的基本特征 28
3.1.2 气动系统常用的诊断方法 28
3.2 气动系统故障诊断的基本原理及后处理 29
3.2.1 故障诊断的基本原理 29
3.2.2 故障诊断的后处理 31
3.3 气动系统的故障诊断技术方法 31
3.3.1 基于CBM 的气动系统故障诊断技术 31
3.3.2 基于故障树的气动系统故障诊断技术 35
3.4 气动系统故障诊断技术的工程应用实例 36
3.4.1 混凝土搅拌站气动系统故障的排除 36
3.4.2 热风整平机气动系统常见故障的排除 38
本章参考文献 41
第4 章 液压泵多传感器状态监测系统 42
4.1 状态监测试验系统组成 42
4.2 轴向柱塞泵典型故障及故障特征频率 43
4.2.1 轴向柱塞泵典型故障机理分析 43
4.2.2 轴向柱塞泵典型故障的特征频率 44
4.3 振动传感器及其测点位置的选择 45
4.3.1 振动传感器的选型 45
4.3.2 振动传感器的安装方式 46
4.3.3 x 和y 方向测点位置的选取 47
4.4 声级计及其测点的选择 53
4.4.1 声级计的选型 53
4.4.2 声级计测点的确定 53
4.5 轴向柱塞泵状态监测系统 54
4.6 轴向柱塞泵的故障模拟 55
4.7 试验数据采集 56
4.7.1 信号采集的参数设置 56
4.7.2 故障模式下的试验数据采集 56
本章参考文献 56
第5 章 基于信号多信息域分析的故障特征提取 58
5.1 基于小波包滤波消噪及Hilbert包络解调的信号处理 58
5.1.1 小波包滤波消噪 58
5.1.2 Hilbert变换包络解调方法 60
5.1.3 基于小波包滤波消噪及包络解调的信号处理 62
5.2 信号的时域特征提取 62
5.2.1 有量纲参量 62
5.2.2 无量纲参量 64
5.2.3 振动和声音信号的时域特征提取 64
5.2.4 压力信号的时域特征提取 67
5.3 信号的频域特征提取 69
5.3.1 频域特征参量 69
5.3.2 声音信号的频域特征提取 70
5.3.3 压力信号的频域特征提取 71
5.4 信号的时频域特征提取 72
5.4.1 时频域特征参量 72
5.4.2 信号的时频域特征提取 73
5.5 信号的多信息域故障特征向量构建 75
本章参考文献 75
第6 章 灰靶理论在液压泵故障等级评估中的应用 77
6.1 灰色理论及灰靶理论分析方法 77
6.1.1 灰色理论概述 77
6.1.2 灰色理论诊断方法 78
6.1.3 灰靶理论及灰靶贡献度 81
6.2 主分量分析及最大熵谱估计 83
6.2.1 信号的谱估计 83
6.2.2 主分量分析与故障信息分离 86
6.2.3 液压泵故障信号的最大熵谱估计 87
6.3 基于灰靶理论的液压泵故障模式识别 88
6.3.1 液压泵故障诊断试验系统 88
6.3.2 基于灰靶理论的液压泵故障模式识别步骤 88
6.3.3 振动信号的预处理 90
6.3.4 故障振动信号功率谱分析及特征提取 91
6.3.5 基于灰靶理论的故障等级评估 94
本章参考文献 96
第7 章 基于灰色神经网络的故障诊断方法 97
7.1 灰色神经网络 97
7.1.1 基于知识的故障诊断方法 97
7.1.2 灰色理论 98
7.1.3 神经网络 100
7.1.4 灰色理论与神经网络的结合 102
7.2 液压泵状态监测试验 104
7.2.1 液压泵的状态监测 104
7.2.2 监测数据的采集 105
7.3 基于灰色神经网络方法的故障诊断 107
7.3.1 信号处理 108
7.3.2 特征向量提取 112
7.3.3 灰色神经网络故障诊断 115
本章参考文献 118
第8 章 基于混沌神经网络的故障诊断方法 119
8.1 混沌神经网络的理论基础 119
8.1.1 混沌及其特征 119
8.1.2 混沌的判据 121
8.1.3 Logistic映射分析 122
8.1.4 神经网络概述 124
8.1.5 误差反向传播神经网络 125
8.1.6 前向混沌神经网络及其学习算法 127
8.2 液压泵振动信号的分析与处理 131
8.2.1 短时最大熵谱分析 131
8.2.2 小波包带通滤波和消噪 132
8.2.3 Hilbert包络解调 133
8.3 混沌神经网络在液压泵故障诊断中的应用 135
8.3.1 基于前向混沌神经网络的故障诊断过程 135
8.3.2 液压泵各状态振动信号的采集 136
8.3.3 前向混沌神经网络的设计 136
8.3.4 液压泵故障诊断及结果分析 139
本章参考文献 144
第9 章 基于联想记忆神经网络的故障诊断方法 145
9.1 联想记忆神经网络 145
9.1.1 离散Hopfield神经网络 145
9.1.2 联想记忆 149
9.1.3 联想记忆网络应用举例 152
9.2 Hopfield网络的结构改进和学习算法 154
9.2.1 反向传播网络 154
9.2.2 联想记忆神经网络的结构改进 157
9.2.3 粒子群优化算法 158
9.2.4 PSO算法对Hopfield网络权值的优化 160
9.3 基于联想记忆神经网络的液压泵故障诊断 161
9.3.1 振动信号的采集 161
9.3.2 信号预处理及故障特征提取 162
9.3.3 联想记忆神经网络的参数设置 164
9.3.4 基于联想记忆神经网络的液压泵故障识别 168
9.3.5 基于联想记忆神经网络的样本交叉循环训练的故障识别 172
本章参考文献 174
第10 章 基于免疫危险理论的故障诊断方法 175
10.1 人工免疫系统与免疫危险理论 175
10.1.1 生物免疫系统 175
10.1.2 人工免疫系统 177
10.1.3 人工免疫系统的求解算法 178
10.1.4 免疫危险理论 180
10.2 液压泵各状态振动信号的采集与预处理 182
10.2.1 振动信号的采集 182
10.2.2 共振信号的解调 183
10.2.3 液压泵故障状态特征信息的提取 188
10.3 免疫危险理论在特征降维与故障诊断中的应用 191
10.3.1 基于免疫危险理论的液压泵振动信号特征选择算法 191
10.3.2 基于免疫危险理论的故障诊断算法 197
本章参考文献 205
第11 章 基于HHT 和模糊C 均值聚类的故障诊断方法 207
11.1 基于Hilbert-Huang变换的轴向柱塞泵振动信号分析 207
11.1.1 Hilbert-Huang变换 207
11.1.2 轴向柱塞泵状态信号的采集 210
11.1.3 滑靴磨损故障振动信号分析 211
11.1.4 松靴故障振动信号分析 214
11.1.5 中心弹簧失效故障振动信号分析 216
11.2 基于Hilbert-Huang变换的轴向柱塞泵压力信号分析 219
11.2.1 正常状态压力信号分析 219
11.2.2 滑靴磨损故障压力信号分析 221
11.2.3 松靴故障压力信号分析 224
11.2.4 中心弹簧失效故障压力信号分析 226
11.3 基于HHT的故障特征向量提取 229
11.3.1 局部边际能量谱及特征能量 229
11.3.2 振动信号的特征提取 229
11.3.3 压力信号的特征提取 233
11.4 基于模糊C 均值聚类的模式识别 236
11.4.1 模式识别和模糊聚类 236
11.4.2 模糊C 均值聚类算法 237
11.4.3 基于FCMC算法和振动信号的轴向柱塞泵故障识别 238
11.4.4 基于FCMC算法和压力信号的轴向柱塞泵故障识别 239
本章参考文献 242
第12 章 信息熵理论在健康状态评估中的应用 243
12.1 信号在不同分析域中的信息熵特征 243
12.1.1 信息系统的分析模型 243
12.1.2 信息熵的概念 243
12.1.3 信息熵的性质 244
12.1.4 振动信号时域信息熵特征提取 245
12.1.5 振动信号的频域信息熵特征提取 246
12.1.6 振动信号时频域信息熵特征提取 247
12.2 滑靴油膜理论 248
12.2.1 滑靴的磨损形式 249
12.2.2 油膜的热楔效应 249
12.2.3 圆盘的油膜挤压效应 250
12.2.4 静压支承油膜理论 250
12.2.5 滑靴斜盘摩擦副受力分析 253
12.2.6 滑靴偏磨 255
12.3 液压泵健康状态评估的试验研究 256
12.3.1 液压泵健康评估试验系统 256
12.3.2 试验步骤 257
12.3.3 试验结果分析 257
本章参考文献 266
第13 章 基于声音信号的核主元分析故障诊断方法 268
13.1 PCA的基本原理 268
13.1.1 PCA模型 268
13.1.2 统计量的确定 269
13.2 KPCA的基本原理 270
13.2.1 KPCA模型 270
13.2.2 核函数的选取 271
13.2.3 统计量的确定 272
13.3 基于声音信号的KPCA故障诊断方法 272
13.3.1 核主元模型的构建步骤 272
13.3.2 在线检测的步骤 272
13.4 试验研究 273
13.4.1 声音信号分析 273
13.4.2 声音信号的特征向量提取 274
13.4.3 基于声音信号的KPCA故障诊断方法的诊断结果 277
13.4.4 基于声音信号的PCA故障诊断方法的诊断结果 278
13.4.5 基于振动信号的KPCA故障诊断方法的诊断结果 279
13.4.6 诊断结果比较 279
本章参考文献 280
第14 章 指数加权动态核主元分析的故障诊断方法 281
14.1 指数加权动态自回归统计模型 281
14.1.1 指数加权主元分析模型 281
14.1.2 基于滑动时间窗口的数据更新 281
14.1.3 指数加权核主元分析模型 282
14.1.4 指数加权核主元分析模型的特点 282
14.2 指数加权动态核主元分析法的建模与故障诊断 283
14.2.1 第1个时间窗口的建模与故障诊断 283
14.2.2 第1个时间窗口以后各窗口的建模与故障诊断 283
14.3 试验研究 285
14.3.1 振动信号分析 285
14.3.2 振动信号的特征向量提取 286
14.3.3 指数加权动态核主元分析的故障诊断方法的诊断结果 287
本章参考文献 289
第15 章 SVM 与证据理论集成的多源信息融合故障诊断方法 291
15.1 证据理论 291
15.1.1 证据理论中的几个重要概念 291
15.1.2 证据区间的描述 292
15.1.3 信度函数的融合规则 292
15.2 基于矩阵分析的融合算法 293
15.2.1 置信度分配矩阵 293
15.2.2 算法描述 293
15.3 基本概率分配的确定方法 294
15.3.1 基于BP神经网络确定基本概率分配 294
15.3.2 基于SVM 确定基本概率分配 295
15.4 基于证据理论的多源信息融合故障诊断方法 297
15.4.1 故障特征参量的提取 297
15.4.2 故障诊断过程的实现 298
15.5 试验研究 298
15.5.1 信号处理 299
15.5.2 基本概率分配的确定 300
15.5.3 试验结果分析 303
本章参考文献 305
· · · · · · (收起)
还没人写过短评呢