时序数据挖掘及其在故障诊断中的应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第一章 绪论 | 第11-26页 |
| ·机械故障诊断 | 第12-14页 |
| ·机械故障诊断主要研究内容 | 第12-13页 |
| ·机械故障诊断技术理论及方法 | 第13页 |
| ·机械故障诊断的现状及发展趋势 | 第13-14页 |
| ·数据挖掘技术 | 第14-18页 |
| ·数据挖掘技术简介 | 第14-15页 |
| ·数据挖掘处理模型及常用算法 | 第15-16页 |
| ·设备故障诊断信息特点 | 第16-18页 |
| ·国内外研究现状 | 第18页 |
| ·时间序列数据挖掘 | 第18-23页 |
| ·时间序列数据挖掘简介 | 第18页 |
| ·时间序列数据挖掘主要研究内容及研究现状 | 第18-23页 |
| ·本文主要研究内容及结构安排 | 第23-26页 |
| ·本文结构安排 | 第23-24页 |
| ·本文主要研究内容 | 第24-26页 |
| 第二章 基于 SIAAFT 算法的非线性检验 | 第26-40页 |
| ·替代数据法 | 第26-30页 |
| ·替代数据法简介 | 第26-27页 |
| ·各种零假设及其算法 | 第27-29页 |
| ·检验统计量 | 第29-30页 |
| ·改进的替代数据法──SIAAFT 法 | 第30-34页 |
| ·IAAFT 法 | 第30-32页 |
| ·SIAAFT 法 | 第32-33页 |
| ·选取最佳被测数据 | 第33-34页 |
| ·算法绩效验证 | 第34-37页 |
| ·检验统计量的影响分析 | 第37-38页 |
| ·应用实例 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第三章 基于高维相重构数据的全局投影降噪算法 | 第40-56页 |
| ·研究基础 | 第40-41页 |
| ·全局投影算法的实现 | 第41-44页 |
| ·算法实现原理 | 第41-43页 |
| ·重构时间序列 | 第43页 |
| ·全局投影算法步骤 | 第43-44页 |
| ·全局投影算法与局部投影算法比较 | 第44页 |
| ·实验分析 | 第44-48页 |
| ·仿真实验 | 第44-48页 |
| ·讨论 | 第48页 |
| ·全局投影算法在机械故障诊断中的应用 | 第48-54页 |
| ·全局投影降噪算法用于转子轴心轨迹提纯 | 第48-51页 |
| ·全局投影降噪算法用于低速重载轴承诊断 | 第51-54页 |
| ·本章小结 | 第54-56页 |
| 第四章 基于 GG 聚类的时间序列分割算法 | 第56-69页 |
| ·常用时间序列分割算法及其不足 | 第56-57页 |
| ·时间序列分割 | 第57-59页 |
| ·时间序列分割问题的形式化描述 | 第57页 |
| ·分割问题基本概念 | 第57-59页 |
| ·基于 GG 聚类的时间序列分割算法 | 第59-63页 |
| ·常用 c 分割算法 | 第59-60页 |
| ·基于模糊聚类的模糊分割 | 第60-61页 |
| ·基于GG模糊聚类的算法实现步骤 | 第61-62页 |
| ·分割数目和主成分数量的确定 | 第62-63页 |
| ·分割算法应用实例 | 第63-68页 |
| ·应用于仿真数据 | 第63-66页 |
| ·应用于在线监测系统 | 第66-68页 |
| ·应用展望 | 第68页 |
| ·本章小结 | 第68-69页 |
| 第五章 基于 KS 检验的时序数据分类挖掘系统 | 第69-81页 |
| ·研究基础 | 第69-72页 |
| ·经验分布函数 | 第69-70页 |
| ·Glivenko 定理简介 | 第70页 |
| ·Kolmogorov 检验 | 第70-71页 |
| ·Smirnov 检验 | 第71-72页 |
| ·KS 检验的应用实例 | 第72-77页 |
| ·仿真信号实验 | 第72-73页 |
| ·齿轮故障诊断实验 | 第73-75页 |
| ·KS 检验应用于故障分类 | 第75-77页 |
| ·远程监测与诊断系统中的应用实例 | 第77-80页 |
| ·利用 KS 检验快速诊断轴承故障 | 第77-79页 |
| ·故障分类器准确性验证 | 第79-80页 |
| ·本章小结 | 第80-81页 |
| 第六章 基于支持向量机的时序数据趋势预测 | 第81-100页 |
| ·常用的时间序列预测方法及其不足 | 第81-83页 |
| ·研究基础 | 第83-88页 |
| ·SVM 用于函数逼近的基本理论 | 第83-86页 |
| ·进化策略法 | 第86-88页 |
| ·基于支持向量回归的时间序列预测模型 | 第88-91页 |
| ·时间序列预测模型的建立 | 第88-89页 |
| ·数据准备 | 第89-90页 |
| ·预测模型 | 第90页 |
| ·预测评价指标 | 第90-91页 |
| ·仿真实验 | 第91-97页 |
| ·核函数的选择 | 第91-92页 |
| ·进化策略法用于优化 SVM 参数 | 第92-93页 |
| ·两种算法的预测实验比较 | 第93-96页 |
| ·多步预测实验 | 第96-97页 |
| ·应用实例 | 第97-98页 |
| ·本章小结 | 第98-100页 |
| 第七章 基于时序数据挖掘的远程监测与诊断系统 | 第100-110页 |
| ·数据仓库 | 第100-105页 |
| ·从数据库到数据仓库 | 第100页 |
| ·数据仓库定义 | 第100-101页 |
| ·机械监测系统数据仓库 | 第101-103页 |
| ·数据接口 | 第103-105页 |
| ·时间序列数据挖掘快速处理模型 | 第105-106页 |
| ·风机远程监测与诊断系统构建 | 第106-108页 |
| ·监测对象 | 第106页 |
| ·诊断系统网络运行结构 | 第106-107页 |
| ·系统诊断数据挖掘结构 | 第107-108页 |
| ·结论 | 第108-110页 |
| 第八章 总结与展望 | 第110-112页 |
| ·论文主要完成工作 | 第110-111页 |
| ·未来工作展望 | 第111-112页 |
| 参考文献 | 第112-120页 |
| 在学研究成果 | 第120-121页 |
| 致谢 | 第121-122页 |
| 论文主要创新点 | 第122页 |
