| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 本文研究工作的背景与意义 | 第11-12页 |
| 1.2 国内外研究历史与现状 | 第12-16页 |
| 1.2.1 数控机床故障诊断与预警研究现状 | 第12-13页 |
| 1.2.2 数控机床实时数据建模方法的研究 | 第13-14页 |
| 1.2.3 故障知识表示方式的研究 | 第14页 |
| 1.2.4 故障知识推理算法的研究 | 第14-15页 |
| 1.2.5 故障知识学习算法的研究 | 第15-16页 |
| 1.3 本文的主要内容 | 第16-18页 |
| 第二章 基于时间序列模型的五轴数控机床实时状态数据建模研究 | 第18-27页 |
| 2.1 五轴数控机床故障简介 | 第18-19页 |
| 2.2 实时状态数据建模 | 第19-24页 |
| 2.2.1 五轴数控机床实时状态数据介绍 | 第19-20页 |
| 2.2.2 海量离散时间数据介绍 | 第20-21页 |
| 2.2.3 时间序列模型 | 第21-24页 |
| 2.3 五轴数控机床状态模型的度量 | 第24-26页 |
| 2.3.1 设备状态模型特征值定义 | 第24页 |
| 2.3.2 设备状态模型特征距离定义 | 第24-25页 |
| 2.3.3 设备状态模型度量定义 | 第25页 |
| 2.3.4 设备状态模型差异度定义 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于数据挖掘的五轴数控机床故障知识获取方法研究 | 第27-41页 |
| 3.1 知识获取方法介绍 | 第27页 |
| 3.2 数据挖掘介绍 | 第27-28页 |
| 3.3 五轴数控机床故障状态模型相似性预测 | 第28-31页 |
| 3.3.1 序列耦合度及 ε-相似序列定义 | 第28-29页 |
| 3.3.2 基于 ε-相似性算法的五轴数控机床设备状态模型相似预测 | 第29-31页 |
| 3.4 五轴数控机床设备状态模型聚类分析 | 第31-35页 |
| 3.4.1 聚类分析介绍 | 第31-32页 |
| 3.4.2 基于设备状态知识获取模型的数据挖掘 | 第32页 |
| 3.4.3 基于K-Means算法的五轴数控机床设备状态模型聚类 | 第32-35页 |
| 3.5 基于数据挖掘的五轴数控机床实时数据知识获取仿真实验 | 第35-40页 |
| 3.5.1 数据建模 | 第35-37页 |
| 3.5.2 相似性预测 | 第37页 |
| 3.5.3 K-Means聚类分析 | 第37-38页 |
| 3.5.4 重构设备状态预测模型 | 第38-39页 |
| 3.5.5 实验结论及改进方法 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于模糊Petri网的五轴数控机床故障知识推理研究 | 第41-53页 |
| 4.1 知识库介绍 | 第41-42页 |
| 4.1.1 知识表示介绍 | 第41-42页 |
| 4.1.2 知识推理介绍 | 第42页 |
| 4.2 基于模糊Petri网的机床故障知识推理 | 第42-48页 |
| 4.2.1 自适应模糊Petri网（AFPN）介绍 | 第42-45页 |
| 4.2.2 基于AFPN的故障知识推理算法 | 第45-46页 |
| 4.2.3 基于AFPN对故障预测模型进行知识推理 | 第46-47页 |
| 4.2.4 五轴数控机床故障知识自学习规则 | 第47-48页 |
| 4.3 AFPN知识推理算法实验 | 第48-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 五轴数控机床故障预警系统的开发与应用 | 第53-68页 |
| 5.1 系统开发平台及架构 | 第54-55页 |
| 5.1.1 系统开发平台 | 第54页 |
| 5.1.2 系统开发架构 | 第54-55页 |
| 5.2 五轴数控机床故障预警系统总体设计 | 第55-57页 |
| 5.3 系统详细设计与实现 | 第57-63页 |
| 5.3.1 基础数据管理 | 第57-60页 |
| 5.3.2 实时数据管理 | 第60页 |
| 5.3.3 故障实时预警 | 第60-63页 |
| 5.4 故障预警系统测试与结果分析 | 第63-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 本文的主要研究结论 | 第68页 |
| 6.2 下一步工作展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
