| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 注释表 | 第11-12页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 故障预警技术研究现状 | 第14-17页 |
| 1.2.1 故障诊断和状态评估技术研究现状 | 第15-16页 |
| 1.2.2 数据可视化技术研究现状 | 第16-17页 |
| 1.3 课题来源于研究内容 | 第17-20页 |
| 1.3.1 课题来源 | 第17页 |
| 1.3.2 主要研究内容及章节安排 | 第17-20页 |
| 第二章 汽车总装输送装备故障诊断研究 | 第20-46页 |
| 2.1 故障信息融合诊断 | 第20-23页 |
| 2.1.1 故障信息融合技术简介 | 第20页 |
| 2.1.2 故障信息融合诊断策略 | 第20-22页 |
| 2.1.3 信息融合故障诊断方法 | 第22-23页 |
| 2.2 基于经验小波变换和奇异值分解的特征提取方法 | 第23-25页 |
| 2.2.1 经验小波变换 | 第23-25页 |
| 2.2.2 奇异值分解 | 第25页 |
| 2.3 基于组合分类方法的故障信息融合诊断方法 | 第25-31页 |
| 2.3.1 k-最近邻分类 | 第25-26页 |
| 2.3.2 BP神经网络分类 | 第26-27页 |
| 2.3.3 支持向量机分类 | 第27-28页 |
| 2.3.4 基于Adaboost的分类器组合方法 | 第28-31页 |
| 2.4 基于信号特征提取和Adaboost组合分类的设备故障诊断方法 | 第31-44页 |
| 2.4.1 汽车总装输送装备故障诊断总体框架 | 第31-32页 |
| 2.4.2 信号特征提取方法 | 第32-33页 |
| 2.4.3 一种基于多种基分类器的多分类改进Adaboost提升算法 | 第33页 |
| 2.4.4 滚动轴承故障诊断案例 | 第33-44页 |
| 2.5 本章小结 | 第44-46页 |
| 第三章 汽车总装输送装备状态评估研究 | 第46-56页 |
| 3.1 基于密度的离群点检测方法 | 第46-47页 |
| 3.2 信息熵 | 第47-48页 |
| 3.3 集成信息熵的SOM神经网络 | 第48-49页 |
| 3.4 机械设备状态评估框架以及方法 | 第49-51页 |
| 3.4.1 机械设备状态评估框架 | 第49-50页 |
| 3.4.2 机械设备整体状态评估方法 | 第50-51页 |
| 3.5 基于SOM神经网络的汽车总装输送装备状态评估案例 | 第51-55页 |
| 3.5.1 实验设备 | 第51页 |
| 3.5.2 实验结果和分析 | 第51-55页 |
| 3.6 本章小结 | 第55-56页 |
| 第四章 故障预警信息可视化技术 | 第56-66页 |
| 4.1 数据可视化技术 | 第56-58页 |
| 4.1.1 数据可视化简介 | 第56-57页 |
| 4.1.2 可视化交互技术 | 第57-58页 |
| 4.2 Web前端信息可视化 | 第58-59页 |
| 4.3 Web前端故障预警信息可视化框架 | 第59-60页 |
| 4.3.1 故障预警Web平台数据类型分析 | 第59页 |
| 4.3.2 故障预警Web平台结构设计 | 第59-60页 |
| 4.4 故障预警数据挖掘分析 | 第60-65页 |
| 4.4.1 频繁模式和关联规则挖掘 | 第60-61页 |
| 4.4.2 Apriori算法 | 第61-63页 |
| 4.4.3 汽车总装输送装备故障关联规则挖掘 | 第63-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第五章 汽车总装输送装备故障预警系统开发 | 第66-77页 |
| 5.1 汽车总装输送装备故障预警云平台系统框架 | 第66-72页 |
| 5.1.1 系统需求分析 | 第66页 |
| 5.1.2 故障预警云平台业务模型 | 第66-68页 |
| 5.1.3 故障预警云平台系统开发架构设计 | 第68-72页 |
| 5.2 汽车总装输送装备故障预警系统实现 | 第72-76页 |
| 5.3 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 本文总结 | 第77-78页 |
| 6.2 研究展望 | 第78-79页 |
| 参考文献 | 第79-84页 |
| 致谢 | 第84-85页 |
| 在学期间的研究成果及发表的学术论文 | 第85页 |
