| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 数据分析与挖掘技术在轮胎制造业的需求 | 第12-13页 |
| 1.2 工业数据挖掘 | 第13-17页 |
| 1.2.1 工业数据挖掘的应用领域 | 第13-15页 |
| 1.2.2 工业数据挖掘的方法 | 第15-16页 |
| 1.2.3 先进制造分析平台概念 | 第16-17页 |
| 1.3 数据挖掘在轮胎制造领域的应用调查 | 第17-19页 |
| 1.3.1 数据挖掘在轮胎制造应用概况 | 第17-19页 |
| 1.3.2 数据挖掘技术为传统数学建模提供补充 | 第19页 |
| 1.4 小结与章节安排 | 第19-21页 |
| 第二章 轮胎MES系统及其基础上的数据挖掘架构 | 第21-40页 |
| 2.1 MES的基本概念 | 第21-22页 |
| 2.2 轮胎制造企业的MES | 第22-25页 |
| 2.2.1 轮胎的制造工艺 | 第22-23页 |
| 2.2.2 轮胎的MES业务功能描述 | 第23-25页 |
| 2.3 MES的模型与标准 | 第25-28页 |
| 2.3.1 MESA的传统MES模型 | 第25-26页 |
| 2.3.2 MESA现行的跨战略业务和执行的纵深MES模型 | 第26-27页 |
| 2.3.3 MES执行层与其它层交互的数据内容 | 第27-28页 |
| 2.4 美国NIST的智能制造标准框架 | 第28-32页 |
| 2.4.1 MES核心集成标准IEC/ISO 622642.4.1 MES核心集成标准IEC/ISO 62264 | 第28-29页 |
| 2.4.2 设备联网的基础—工业以太网 | 第29-30页 |
| 2.4.3 MES其它关键的数据交互标准--OPC-UA、B2MML、OAGIS和Open O&M | 第30-32页 |
| 2.4.4 MES与数据挖掘集成的标准PMML | 第32页 |
| 2.5 轮胎MES系统软件平台–FACTORYTALK PRODUCTION CENTER | 第32-36页 |
| 2.5.1 罗克韦尔自动化MES平台FactoryTalk Production Center | 第32-34页 |
| 2.5.2 基于FTPC的操作数据库与数据仓库构建 | 第34-35页 |
| 2.5.3 基于FPTC的制造智能Manufacture Intelligence | 第35-36页 |
| 2.6 建立在符合标准的MES环境下的轮胎制造数据挖掘架构 | 第36-39页 |
| 2.7 本章小结 | 第39-40页 |
| 第三章 均匀性检测MES及其数据的SPC分析 | 第40-66页 |
| 3.1 轮胎质检工艺及其均匀性检测试验机 | 第40-44页 |
| 3.1.1 轮胎质检车间介绍 | 第40-41页 |
| 3.1.2 均匀性设备概况 | 第41-42页 |
| 3.1.3 均匀性试验机检测的指标内容 | 第42-44页 |
| 3.2 均匀性的MES及其提取的数据概况 | 第44-48页 |
| 3.2.1 均匀性试验机的控制系统架构和数据采集 | 第44-45页 |
| 3.2.2 均匀性MES中提取的数据情况 | 第45-46页 |
| 3.2.3 MES中获取的均匀性数据集和样本 | 第46-48页 |
| 3.3 均匀性检测的质量过程控制 | 第48-50页 |
| 3.3.1 均匀性检测数据的日常管理 | 第48-49页 |
| 3.3.2 统计过程控制SPC与质量控制图 | 第49-50页 |
| 3.4 均匀性数据集SPC应用分析 | 第50-56页 |
| 3.4.1 基于直方图及偏度峰度的正态性检验 | 第50-52页 |
| 3.4.2 基于统计参数检验法--Anderson-Darling检验 | 第52-54页 |
| 3.4.3 通过数据变换处理非正态数据 | 第54-56页 |
| 3.5 XBAR-R控制图的应用 | 第56-62页 |
| 3.5.1 均值样本的正态性检验 | 第56-57页 |
| 3.5.2 Xbar-R控制图的计算方法 | 第57-58页 |
| 3.5.3 Xbar-R图在FTPC上的实现 | 第58-60页 |
| 3.5.4 通过控制图的稳定性判断与异常分析 | 第60页 |
| 3.5.5 采用Xbar-R控制图后的均匀性数据分析 | 第60-62页 |
| 3.6 均匀性指标的相关性分析与多元控制图应用 | 第62-65页 |
| 3.6.1 单指标控制图的潜在问题 | 第62-63页 |
| 3.6.2 Hotelling T~2多元控制图 | 第63-65页 |
| 3.7 本章小结 | 第65-66页 |
| 第四章 数据挖掘在均匀性数据集上的应用研究 | 第66-90页 |
| 4.1 通过数据可视化了解数据特性 | 第66-70页 |
| 4.1.1 用于数据洞悉阶段的可视化方法 | 第66-67页 |
| 4.1.2 均匀性数据集的散点图 | 第67-68页 |
| 4.1.3 属性的Pearson相关性分析 | 第68-70页 |
| 4.2 均匀性数据集与模型 | 第70-74页 |
| 4.2.1 均匀性数据的模型 | 第70-72页 |
| 4.2.2 均匀性等级判定规则的探析 | 第72-73页 |
| 4.2.3 模型和任务的选择 | 第73-74页 |
| 4.3 特征选择 | 第74-81页 |
| 4.3.1 特征选择的目的和意义 | 第74-75页 |
| 4.3.2 特征选择与特征选择算法的选择探讨 | 第75-77页 |
| 4.3.3 Ranker类型的特征选择 | 第77-80页 |
| 4.3.4 Ranker与非线性属性相关度评估的联系 | 第80-81页 |
| 4.4 去冗余的基于相关度的特征选择算法CFS | 第81-83页 |
| 4.5 两种分类器模型 | 第83-87页 |
| 4.5.1 C4.5 的决策树模型 | 第83-84页 |
| 4.5.2 SVM的分类器模型 | 第84-87页 |
| 4.6 模型和算法的评价方法 | 第87-89页 |
| 4.7 本章小结 | 第89-90页 |
| 第五章 特征选择与模型的试验与分析 | 第90-99页 |
| 5.1 实验环境的搭建 | 第90-91页 |
| 5.2 特征选择算法测试 | 第91-96页 |
| 5.3 CFS去冗余的特征选择的测试 | 第96-97页 |
| 5.4 发现均匀性主要质量属性后的指导意义 | 第97-98页 |
| 5.5 本章小结 | 第98-99页 |
| 第六章 全文总结 | 第99-103页 |
| 6.1 主要结论 | 第99-101页 |
| 6.2 研究展望 | 第101-103页 |
| 参考文献 | 第103-108页 |
| （附录1） NIST智能制造框架系统术语汇总表 | 第108-109页 |
| 致谢 | 第109-110页 |
| 攻读硕士学位期间已发表或录用的论文 | 第110页 |
