基于知识发现的航空发动机智能监测研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| ·航空发动机常用的状态监测与故障诊断技术概述 | 第10-11页 |
| ·航空油液分析监测技术 | 第11-12页 |
| ·航空油液分析监测的基本功能 | 第11页 |
| ·航空油液监测技术的方法 | 第11-12页 |
| ·知识发现方法 | 第12-14页 |
| ·粗糙集 | 第13页 |
| ·决策树 | 第13-14页 |
| ·贝叶斯网络 | 第14页 |
| ·本文研究的主要内容 | 第14-16页 |
| 第二章 航空发动机油液监测技术 | 第16-24页 |
| ·主要的油液监测技术 | 第16-17页 |
| ·油品理化性能分析 | 第16-17页 |
| ·油液磨屑分析 | 第17页 |
| ·油液光谱分析 | 第17-19页 |
| ·原子发射光谱分析法 | 第18页 |
| ·原子吸收光谱分析 | 第18-19页 |
| ·X 射线荧光光谱法（XRF） | 第19-23页 |
| ·X 射线光谱法的基本原理 | 第19-21页 |
| ·显微图像监测原理 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 知识发现方法研究 | 第24-36页 |
| ·粗糙集 | 第24-26页 |
| ·知识的概念 | 第24页 |
| ·粗糙集的基本定义 | 第24-26页 |
| ·决策树 | 第26-30页 |
| ·决策树基本思想 | 第27-28页 |
| ·决策树剪枝 | 第28-29页 |
| ·决策树增量学习算法（ID5R） | 第29-30页 |
| ·基于粗糙集的决策树构造算法 | 第30页 |
| ·贝叶斯网络 | 第30-35页 |
| ·诊断知识的不确定性及其分类 | 第30-31页 |
| ·不确定推理方法（贝叶斯网络） | 第31-33页 |
| ·贝叶斯网络的建造 | 第33-34页 |
| ·一个贝叶斯网络实例 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于知识发现的油液监测诊断系统 | 第36-47页 |
| ·油液监测知识发现过程 | 第36-38页 |
| ·知识发现模型构建 | 第36-37页 |
| ·XRF 单项故障诊断 | 第37-38页 |
| ·基于知识发现方法算法的应用 | 第38-43页 |
| ·非增量式决策树ID3 算法 | 第38-40页 |
| ·决策树增量式学习算法ID5R | 第40-41页 |
| ·粗糙集理论运用于知识系统属性的简化 | 第41页 |
| ·基于粗糙集的决策树增量式学习算法 | 第41-43页 |
| ·油液监测多源数据的贝叶斯网络诊断决策 | 第43-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 航空发动机智能监测系统的设计与实现 | 第47-53页 |
| ·系统软件设计 | 第47-49页 |
| ·开发环境 | 第47页 |
| ·软件的总体设计 | 第47-48页 |
| ·数据库设计 | 第48-49页 |
| ·系统软件实现及简介 | 第49-52页 |
| ·本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-54页 |
| ·论文总结 | 第53页 |
| ·后续研究工作及展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间所发表的学术论文 | 第58页 |
