| 致谢 | 第5-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 故障诊断方法综述 | 第13-15页 |
| 1.2.2 CBR研究现状 | 第15-16页 |
| 1.3 本论文的主要工作及结构安排 | 第16-18页 |
| 2 RBC案例推理诊断模型构建 | 第18-30页 |
| 2.1 CBR技术理论 | 第18-20页 |
| 2.1.1 CBR基本原理 | 第18-20页 |
| 2.1.2 CBR特点及应用 | 第20页 |
| 2.2 RBC故障的案例表示 | 第20-24页 |
| 2.2.1 RBC故障案例的表示方法 | 第20-22页 |
| 2.2.2 RBC故障案例表示的实现 | 第22-24页 |
| 2.3 RBC案例组织 | 第24-27页 |
| 2.3.1 RBC系统结构及功能分析 | 第24-26页 |
| 2.3.2 案例组织 | 第26-27页 |
| 2.4 案例修正及学习 | 第27-28页 |
| 2.5 基于案例推理的RBC故障诊断框架 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 3 RBC故障案例特征属性权重提取 | 第30-45页 |
| 3.1 常用权重确定方法 | 第30-32页 |
| 3.2 粗糙集理论 | 第32-37页 |
| 3.2.1 知识与知识库 | 第32-34页 |
| 3.2.2 上近似和下近似 | 第34-35页 |
| 3.2.3 知识约简和核 | 第35-36页 |
| 3.2.4 决策表与决策规则 | 第36-37页 |
| 3.3 基于粗糙集的属性权重提取 | 第37-44页 |
| 3.3.1 粗糙集应用流程 | 第37-38页 |
| 3.3.2 属性约简和权重计算流程 | 第38-40页 |
| 3.3.3 具体实例 | 第40-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 RBC故障案例的检索 | 第45-56页 |
| 4.1 案例检索算法 | 第45-46页 |
| 4.2 案例相似度计算方法 | 第46-52页 |
| 4.2.1 加权K-NN算法 | 第47-49页 |
| 4.2.2 余弦函数算法 | 第49-50页 |
| 4.2.3 融合加权K-NN算法和余弦函数算法的相似度算法 | 第50-52页 |
| 4.3 故障案例的分阶段近邻检索模型 | 第52-55页 |
| 4.3.1 案例索引机制的建立 | 第52-53页 |
| 4.3.2 RBC故障案例分阶段近邻检索模型的建立 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5 RBC故障诊断系统设计与实现 | 第56-67页 |
| 5.1 系统功能需求及目标 | 第56-57页 |
| 5.2 系统架构 | 第57-58页 |
| 5.2.1 系统开发环境 | 第57页 |
| 5.2.2 软件构架 | 第57-58页 |
| 5.3 数据库设计 | 第58-62页 |
| 5.3.1 概念模型设计 | 第58-60页 |
| 5.3.2 数据库物理实现 | 第60-62页 |
| 5.4 系统诊断流程设计 | 第62-65页 |
| 5.4.1 框架结构 | 第62-64页 |
| 5.4.2 诊断流程设计 | 第64-65页 |
| 5.5 诊断实例 | 第65-66页 |
| 5.6 本章小结 | 第66-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 主要工作总结 | 第67-68页 |
| 6.2 下一步工作 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 图索引 | 第72-73页 |
| 表索引 | 第73-74页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第74-76页 |
| 学位论文数据集 | 第76页 |