| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 基于信息融合的故障诊断方法综述 | 第11-13页 |
| 1.3 基于粗糙集的属性约简方法综述 | 第13-15页 |
| 1.4 本文研究内容及其结构安排 | 第15-17页 |
| 第2章 相关理论基础 | 第17-22页 |
| 2.1 引言 | 第17页 |
| 2.2 粗糙集理论的基本概念 | 第17-19页 |
| 2.3 Dempster-Shafer证据理论 | 第19-20页 |
| 2.4 本章小结 | 第20-22页 |
| 第3章 基于K均值与RFV的故障特征属性离散化方法 | 第22-29页 |
| 3.1 引言 | 第22页 |
| 3.2 预备知识 | 第22-23页 |
| 3.2.1 k均值 | 第22-23页 |
| 3.2.2 随机模糊变量理论基础 | 第23页 |
| 3.3 基于k均值与RFV的数据离散化算法 | 第23-28页 |
| 3.3.1 基于k均值的历史故障样本特征数簇生成 | 第24页 |
| 3.3.2 历史故障样本特征数簇的RFV建模 | 第24-27页 |
| 3.3.3 基于RFV模型匹配的数据离散信度生成以及离散化 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第4章 基于信度区间的故障特征约简方法 | 第29-36页 |
| 4.1 引言 | 第29页 |
| 4.2 粗糙集与Dempster-Shafer证据理论之间的联系 | 第29-31页 |
| 4.3 基于属性集信度区间的故障特征约简方法 | 第31-35页 |
| 4.3.1 基于压缩二进制矩阵的核属性求取方法 | 第32-34页 |
| 4.3.2 基于信度区间的属性约简方法 | 第34-35页 |
| 4.4 本章小结 | 第35-36页 |
| 第5章 基于K近邻证据融合的故障诊断方法 | 第36-41页 |
| 5.1 引言 | 第36-37页 |
| 5.2 K近邻算法及其改进 | 第37-38页 |
| 5.3 K近邻诊断证据的求取与融合决策 | 第38-40页 |
| 5.4 本章小结 | 第40-41页 |
| 第6章 在电机柔性转子上的故障诊断实验验证 | 第41-53页 |
| 6.1 实验环境设置 | 第41页 |
| 6.2 故障特征数据离散化实验验证 | 第41-45页 |
| 6.3 故障特征约简实验验证 | 第45-47页 |
| 6.4 故障诊断方法实验验证 | 第47-53页 |
| 第7章 总结与展望 | 第53-56页 |
| 7.1 总结 | 第53-54页 |
| 7.2 展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 附录 | 第62-63页 |
