工业大数据环境下的混合故障诊断模型研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 论文研究背景 | 第13-14页 |
| 1.2 故障诊断研究现状 | 第14-16页 |
| 1.3 盾构机故障诊断研究现状 | 第16页 |
| 1.4 混合模型研究现状 | 第16-18页 |
| 1.5 论文研究的目的和意义 | 第18页 |
| 1.6 论文结构组织 | 第18-21页 |
| 第二章 混合故障诊断模型 | 第21-27页 |
| 2.1 混合故障诊断模型 | 第21-22页 |
| 2.2 混合模型中的关键技术 | 第22-26页 |
| 2.2.1 数据预处理 | 第22-24页 |
| 2.2.2 基于知识工程的方法 | 第24-25页 |
| 2.2.3 基于数据驱动的方法 | 第25-26页 |
| 2.2.4 数据挖掘与知识发现 | 第26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 基于支持向量机的数据驱动方法 | 第27-37页 |
| 3.1 基于数据驱动的方法简介 | 第27页 |
| 3.2 支持向量机(SVM)算法理论 | 第27-33页 |
| 3.2.1 SVM算法在故障诊断中研究现状 | 第28页 |
| 3.2.2 支持向量机（SVM）算法理论 | 第28-33页 |
| 3.3 核函数及其参数的选择 | 第33-35页 |
| 3.4 多分类问题 | 第35-36页 |
| 3.4.1 全局多类支持向量机 | 第36页 |
| 3.4.2 组合多分类 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 利用数据挖掘技术进行知识发现 | 第37-45页 |
| 4.1 基于知识工程的方法 | 第37-39页 |
| 4.1.1 专家系统研究现状 | 第37-38页 |
| 4.1.2 专家系统简介 | 第38页 |
| 4.1.3 专家系统中知识发现 | 第38-39页 |
| 4.2 利用关联规则算法进行知识发现 | 第39-41页 |
| 4.2.1 数据挖掘与知识发现 | 第39页 |
| 4.2.2 关联规则算法Apriori | 第39-40页 |
| 4.2.3 Apriori算法中规则发现 | 第40-41页 |
| 4.3 利用聚类算法进行知识发现 | 第41-43页 |
| 4.3.1 k-means算法简介 | 第41-43页 |
| 4.3.2 k-means算法进行知识发现 | 第43页 |
| 4.4 本章小结 | 第43-45页 |
| 第五章 盾构机管片拼装系统故障诊断 | 第45-59页 |
| 5.1 盾构机简介 | 第45-46页 |
| 5.2 液压系统常见故障简介 | 第46-47页 |
| 5.3 周向回转液压系统仿真 | 第47-52页 |
| 5.3.1 AMESim软件简介 | 第47-48页 |
| 5.3.2 液压系统油液污染故障仿真 | 第48-50页 |
| 5.3.3 液压系统漏油故障仿真 | 第50-52页 |
| 5.4 应用基于数据驱动的方法进行故障诊断 | 第52-56页 |
| 5.4.1 油液污染故障仿真分类结果 | 第52-54页 |
| 5.4.2 漏油故障数据： | 第54-55页 |
| 5.4.3 三种不同状态的分类结果 | 第55-56页 |
| 5.5 利用数据挖掘来发现知识 | 第56-58页 |
| 5.5.1 利用关联规则算法来发现知识 | 第56-57页 |
| 5.5.2 利用聚类算法发现知识 | 第57-58页 |
| 5.6 本章小结 | 第58-59页 |
| 第六章 总结和展望 | 第59-61页 |
| 6.1 研究总结 | 第59页 |
| 6.2 研究展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 作者简介 | 第67-68页 |
