1 绪论 1
1.1 设备故障诊断技术的发展历史 2
1.1.1 原始诊断阶段 2
1.1.2 基于材料寿命分析与估计的诊断阶段 2
1.1.3 基于传感器与计算机技术的诊断阶段 2
1.1.4 智能化诊断阶段 2
1.2 故障诊断的方法综述 3
1.2.1 基于数学模型的故障诊断方法 4
1.2.2 基于人工智能的故障诊断方法 5
1.3.1 故障智能诊断系统的发展现状 8
1.3 故障智能诊断系统发展的现状 8
1.3.2 现有故障智能诊断系统存在的问题 9
1.4 故障智能诊断系统的发展趋势 12
1.4.1 多种知识表示方法的结合 12
1.4.2 经验知识与原理知识的紧密结合 13
1.4.3 诊断系统与神经网络的结合 13
1.4.4 虚拟现实技术将得到重视和应用 14
1.4.5 数据库技术与人工智能技术相互渗透 14
2.1 故障智能诊断系统的概念 16
2.1.1 复杂设备的层次结构 16
2 故障智能诊断系统的理论基础 16
2.1.2 故障智能诊断系统的概念 18
2.1.3 复杂设备系统故障的特点 22
2.2 故障智能诊断系统的一般结构 23
2.2.1 故障智能诊断系统的一般结构 23
2.2.2 故障智能诊断系统的功能特点 24
2.3 不确定性系统科学一般理论 26
2.3.1 不确定性信息的基本概念及其产生的根源 26
2.3.2 不确定性信息的分类 27
2.3.3 四种不确定性信息的关系 28
2.4 本章小结 30
2.3.4 不确定性系统科学的理论框架 30
3 故障智能诊断系统知识获取和表示方法 33
3.1 故障智能诊断系统中知识的分类 33
3.1.1 专家系统中知识的一般分类 33
3.1.2 故障智能诊断系统中知识的分类 34
5.2.1 专家系统的特征分析 37
3.2 故障智能诊断系统中知识的获取方法 38
3.2.1 知识获取是建造智能诊断系统的“瓶颈” 38
3.2.2 传统的三种知识获取方法 39
3.2.3 故障智能诊断系统中知识获取的一般模型 41
3.3 故障智能诊断系统中知识的表示方法 42
3.3.1 知识表示的概念 42
3.3.2 深浅知识集成表示模型 43
3.3.3 利用复合框架表示诊断知识的方法 45
3.4 本章小结 47
4 故障智能诊断系统中不确定性信息的处理方法 48
4.1 诊断知识不确定性的分类 49
4.1.1 诊断系统的不确定性产生原因 49
4.2.2 基于框架的不确定性知识表示 51
4.1.2 诊断知识不确定性的分类 51
4.2 不确定性诊断知识的表示方法 52
4.2.1 基于产生式的不确定性知识表示 53
4.3 故障智能诊断系统中的不确定性推理 55
4.3.1 故障诊断系统中不确定性的处理方法 55
4.2.3 基于语义网络的不确定性知识表示 55
4.3.2 故障智能诊断系统中不确定性推理的一般模型 60
4.4 本章小结 62
5 面向对象技术在故障智能诊断系统中的应用 63
5.1 面向对象的思想和方法学 64
5.1.2 面向对象程序设计的几个基本概念 65
5.1.3 面向对象程序设计的特征分析 66
5.2 面向对象技术对故障智能诊断系统的适宜性研究 67
5.2.2 面向对象的方法适于建造专家系统 68
5.3 面向对象的诊断知识表示方法研究 69
5.3.1 面向对象的知识表示方法研究 69
5.3.2 面向对象的深浅知识混合表示模型 73
5.3.3 面向对象知识表示与其他方法的比较 75
5.4 面向对象的诊断推理方法 76
5.4.1 消息传递推理 76
5.4.2 继承推理 77
5.4.3 方法推理 77
5.5 本章小结 78
6 神经网络模型 79
6.1 神经网络的发展和应用 79
6.2 神经元模型 82
6.3 基于神经网络的学习方式 84
6.3.1 有导师学习 84
6.3.2 无导师学习 84
6.3.3 强化学习 85
6.4 神经网络模型 85
6.5 多层前馈神经网络 86
6.5.1 BP网络的结构及工作原理 87
6.5.2 BP网络学习算法 90
6.5.3 BP算法的数学原理 92
6.6 霍普菲尔德(Hopfield)神经网络 95
6.6.1 离散型Hopfield网络 96
6.7 自组织神经网络 98
6.8 海明(Hamming)神经网络 100
6.9 自适应共振理论 102
6.9.1 ART1神经网络基本结构 102
6.9.2 ART2网络系统结构 102
6.10 本章小结 103
7 全局优化方法研究 104
7.1 随机梯度法 104
7.2 模拟退火算法 105
7.3 遗传算法 106
7.3.1 遗传算法的基本步骤 106
7.3.2 遗传算法的改进方法 109
7.3.3 遗传算法与神经网络的融合 110
7.4 本章小结 115
8 BP算法的改进方法 116
8.1 一种动态自适应BP网络模型及快速算法 116
8.2 一种新的快速BP网络训练算法 119
8.3 实验结果分析 121
8.4 本章小结 124
9 人工神经网络与专家系统结合方法的研究 125
9.1 引言 125
9.2 专家系统与神经网络的特点 126
9.3 专家系统与神经网络结合的途径和方法 131
9.3.1 ANN和ES的结合途径 132
9.3.2 ANN和ES的“全面统一” 136
9.3.3 ANN和ES的“局部结合” 137
9.4 本章小结 138
10 神经网络与专家系统的结合在导弹故障诊断系统中的应用 139
10.1 引言 139
10.2 ANNES的结构 139
10.3 基于ANNES的导弹故障诊断系统的实现 141
10.4 基于模糊推理和神经网络的导弹系统故障诊断方法 142
10.4.1 基于模糊推理和神经网络的专家系统设计步骤 142
10.4.2 基于神经网络的不确定性推理模型 143
10.4.3 基于神经网络模型的导弹故障诊断方法 145
10.4.4 某装备故障诊断的神经网络模型 146
10.5 ANNES的故障诊断实例与结果分析 146
10.6 本章小结 152
11.1 设备诊断信息融合方法 154
11 基于信息融合的神经网络 154
11.1.1 贝叶斯信息融合方法 155
11.1.2 D-S推理信息融合方法 155
11.2 神经网络与信息融合 158
11.3 集成神经网络建模方法 161
11.4 子神经网络的组建原则 162
11.5 集成神经网络的实现策略 164
11.6 本章小结 167
12 故障智能诊断系统中机器学习问题的研究 168
12.1.1 什么是学习 169
12.1 机器学习方法发展的回顾 169
12.1.2 机器学习的研究发展过程 170
12.1.3 机器学习与人类学习的比较 171
12.1.4 机器学习的模型与过程 172
12.2 各种机器学习方法在故障诊断系统中的适应性研究 174
12.2.1 机器学习方法的分类 174
12.2.2 机器学习方法的评价标准 177
12.2.3 现有机器学习方法在诊断系统中的适应性分析 179
12.2.4 诊断系统学习模块的功能 180
12.3.1 故障诊断系统中的机器学习策略 181
12.3 故障智能诊断系统中的机器学习策略 181
12.3.2 故障诊断与机器学习的运行流程 182
12.3.3 故障诊断与机器学习的关系分析 183
12.4 本章小结 184
13 面向对象的故障智能诊断系统平台 185
13.1 故障智能诊断系统的开发策略 186
13.1.1 人机接口模块的开发 186
13.1.2 知识库和数据库管理模块的开发 187
13.1.3 诊断推理模块的开发 188
13.1.5 机器学习模块的开发 189
13.1.4 诊断信息获取模块的开发 189
13.2 系统功能简介 190
13.2.1 系统的功能菜单组成 190
13.2.2 系统功能菜单简介 190
13.3 主要实现技术 192
13.3.1 知识的表示 192
13.3.2 推理机制 193
13.4 诊断系统运行实例 195
13.5 本章小结 197
参考文献 198