基于案例推理的高铁信号系统车载设备故障诊断
致谢 | 第5-6页 |
摘要 | 第6-7页 |
ABSTRACT | 第7-8页 |
1 引言 | 第12-20页 |
1.1 研究背景与意义 | 第12-13页 |
1.2 国内外研究现状 | 第13-17页 |
1.2.1 故障诊断方法综述 | 第13-16页 |
1.2.2 CBR发展现状 | 第16-17页 |
1.3 论文的主要工作及结构安排 | 第17-20页 |
2 车载设备案例推理诊断模型构建 | 第20-32页 |
2.1 CBR简介 | 第20-23页 |
2.1.1 CBR的基本原理 | 第20-22页 |
2.1.2 CBR的应用领域 | 第22-23页 |
2.2 故障的案例表示 | 第23-27页 |
2.2.1 案例表示方法 | 第23-24页 |
2.2.2 案例表示实现 | 第24-26页 |
2.2.3 案例的决策表表示 | 第26-27页 |
2.3 车载设备的案例组织 | 第27-29页 |
2.4 案例修正 | 第29页 |
2.5 案例学习与维护 | 第29-30页 |
2.6 本章小结 | 第30-32页 |
3 车载设备案例特征属性权重提取 | 第32-46页 |
3.1 常用权重确定方法 | 第32-34页 |
3.1.1 德尔菲法(Delphi) | 第32页 |
3.1.2 层次分析法(AHP) | 第32-33页 |
3.1.3 基于粗糙集的案例属性权重确定算法 | 第33-34页 |
3.2 粗糙集理论 | 第34-38页 |
3.2.1 粗糙集特点 | 第34-35页 |
3.2.2 知识与知识库 | 第35-36页 |
3.2.3 上近似和下近似 | 第36-37页 |
3.2.4 知识约简和核 | 第37-38页 |
3.3 基于粗糙集的属性权重提取 | 第38-44页 |
3.3.1 粗糙集应用流程 | 第38-39页 |
3.3.2 属性重要度和权重提取流程 | 第39-41页 |
3.3.3 权重计算实例 | 第41-44页 |
3.4 本章小结 | 第44-46页 |
4 车载设备故障案例的检索 | 第46-60页 |
4.1 案例检索算法 | 第46页 |
4.2 案例相似度计算 | 第46-49页 |
4.2.1 K-近邻算法 | 第47页 |
4.2.2 加权K-NN算法 | 第47-49页 |
4.3 案例库构造 | 第49-55页 |
4.3.1 子案例库构造 | 第49-51页 |
4.3.2 代表案例库构造 | 第51-52页 |
4.3.3 案例库构造实例 | 第52-55页 |
4.4 故障案例的分阶段近邻检索模型 | 第55-59页 |
4.4.1 案例的索引机制建立 | 第55-56页 |
4.4.2 车载故障案例的检索 | 第56-57页 |
4.4.3 分阶段近邻模型的有效性验证 | 第57-59页 |
4.5 本章小结 | 第59-60页 |
5 车载设备故障诊断系统设计与实现 | 第60-82页 |
5.1 系统需求分析 | 第60-63页 |
5.1.1 车载设备结构 | 第60-62页 |
5.1.2 功能需求性分析 | 第62页 |
5.1.3 非功能性需求 | 第62-63页 |
5.2 诊断系统结构设计 | 第63-68页 |
5.2.1 VEFDS框架结构 | 第63-64页 |
5.2.2 VEFDS诊断流程设计 | 第64-66页 |
5.2.3 系统功能设计 | 第66-67页 |
5.2.4 系统架构设计 | 第67-68页 |
5.3 数据库设计及实现 | 第68-70页 |
5.3.1 数据表之间关系 | 第68-69页 |
5.3.2 数据库连接方式 | 第69-70页 |
5.4 车载设备故障系统实现及应用 | 第70-81页 |
5.4.1 登陆界面 | 第70-71页 |
5.4.2 主界面 | 第71-72页 |
5.4.3 车载设备知识库界面 | 第72-73页 |
5.4.4 案例库管理界面 | 第73-76页 |
5.4.5 粗糙集界面 | 第76-78页 |
5.4.6 案例聚类界面 | 第78页 |
5.4.7 故障诊断实例 | 第78-81页 |
5.5 本章小结 | 第81-82页 |
6 结论与展望 | 第82-84页 |
6.1 结论 | 第82-83页 |
6.2 展望 | 第83-84页 |
参考文献 | 第84-88页 |
图索引 | 第88-90页 |
表索引 | 第90-92页 |
作者简历及攻读硕士学位期间取得的研究成果 | 第92-96页 |
学位论文数据集 | 第96页 |