基于数据挖掘技术的旋转机械故障诊断研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 数据挖掘故障诊断背景 | 第9-10页 |
| 1.2 故障诊断的发展现状与趋势 | 第10-11页 |
| 1.3 数据挖掘在故障诊断中的应用 | 第11页 |
| 1.4 本文研究内容 | 第11-13页 |
| 第2章 旋转机械的故障机理和诊断方法 | 第13-24页 |
| 2.1 转子系统故障的几种形式 | 第13-19页 |
| 2.1.1 转子不平衡故障分析 | 第13-14页 |
| 2.1.2 转子不对中故障分析 | 第14-16页 |
| 2.1.3 转子碰磨 | 第16-18页 |
| 2.1.4 油膜振荡 | 第18-19页 |
| 2.2 转子系统的故障信号分析 | 第19-23页 |
| 2.2.1 振动信号的时域分析 | 第19-22页 |
| 2.2.2 振动信号的频域分析 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 数据挖掘技术 | 第24-33页 |
| 3.1 数据挖掘技术特点 | 第24-25页 |
| 3.2 数据挖掘组成 | 第25-26页 |
| 3.3 数据挖掘功能 | 第26-28页 |
| 3.3.1 概念描述 | 第27页 |
| 3.3.2 关联分析 | 第27页 |
| 3.3.3 分类与预测 | 第27页 |
| 3.3.4 聚类分析 | 第27-28页 |
| 3.3.5 异类分析 | 第28页 |
| 3.4 数据挖掘过程 | 第28-29页 |
| 3.4.1 数据准备 | 第28-29页 |
| 3.4.2 数据挖掘 | 第29页 |
| 3.4.3 解释评价 | 第29页 |
| 3.5 数据挖掘常用技术 | 第29-31页 |
| 3.6 数据挖掘常用工具 | 第31-32页 |
| 3.7 本章小结 | 第32-33页 |
| 第4章 数据挖掘分类在故障诊断系统中的应用 | 第33-63页 |
| 4.1 数据挖掘的分类原因和过程 | 第33-35页 |
| 4.2 基于粗集理论的属性约简 | 第35-39页 |
| 4.2.1 粗集理论简介 | 第35-36页 |
| 4.2.2 属性约简简介 | 第36-38页 |
| 4.2.3 可辨识矩阵 | 第38页 |
| 4.2.4 可辨识矩阵的属性约简的算法 | 第38-39页 |
| 4.3 决策树 | 第39-44页 |
| 4.3.1 决策树分类 | 第39页 |
| 4.3.2 决策树基本概念 | 第39-40页 |
| 4.3.3 决策树生成算法 | 第40-41页 |
| 4.3.4 树枝修剪 | 第41-42页 |
| 4.3.5 ID3算法 | 第42-43页 |
| 4.3.6 C4.5 算法 | 第43-44页 |
| 4.3.7 决策树的算法类别 | 第44页 |
| 4.4 基于粗糙集理论和决策树的振动故障诊断设计 | 第44-62页 |
| 4.4.1 系统最终目的 | 第44页 |
| 4.4.2 数据准备过程 | 第44页 |
| 4.4.3 频域下训练样本生成决策树 | 第44-47页 |
| 4.4.4 构造决策树 | 第47-52页 |
| 4.4.5 属性约简后的数据集进行决策树构造 | 第52-53页 |
| 4.4.6 电机转子故障诊断实例 | 第53-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-64页 |
| 5.1 总结 | 第63页 |
| 5.2 展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-67页 |
| 作者简介 | 第67页 |
| 攻读硕士学位期间发表的论文 | 第67-68页 |
