基于数据仓库的齿轮故障诊断
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 综述 | 第9-22页 |
| ·设备故障诊断技术的概念、研究内容和发展趋势 | 第9-10页 |
| ·齿轮的故障机理及特点 | 第10-15页 |
| ·齿轮的异常现象 | 第10页 |
| ·齿轮振动信号特征分析 | 第10-15页 |
| ·齿轮的精密诊断方法 | 第15页 |
| ·数据仓库、OLAP 技术和数据挖掘 | 第15-19页 |
| ·数据仓库 | 第15页 |
| ·OLAP 技术 | 第15-19页 |
| ·数据挖掘 | 第19页 |
| ·国内外研究现状 | 第19-20页 |
| ·本课题的研究背景和主要内容 | 第20-22页 |
| 第二章 基于决策树算法的分类模型实现 | 第22-39页 |
| ·分类发现的定义 | 第22页 |
| ·决策树算法 | 第22-24页 |
| ·决策树算法概述 | 第22-23页 |
| ·决策树的生成 | 第23-24页 |
| ·ID3 算法 | 第24-26页 |
| ·ID3 算法的决策属性选择方法 | 第24-25页 |
| ·树的剪枝 | 第25-26页 |
| ·ID3 中有待改进之处 | 第26页 |
| ·ID3 算法的改进算法CAMM | 第26-38页 |
| ·CAMM 算法的概念基础 | 第26-28页 |
| ·CAMM 算法的处理过程 | 第28-29页 |
| ·CAMM 算法决策树生成举例 | 第29-38页 |
| ·本章小节 | 第38-39页 |
| 第三章 基于聚类方法的分类模型实现 | 第39-47页 |
| ·聚类分析概述 | 第39-40页 |
| ·聚类分析的含义 | 第39页 |
| ·聚类算法分类 | 第39-40页 |
| ·差异度的计算方法 | 第40-44页 |
| ·区间变量 | 第40-41页 |
| ·二态变量 | 第41-42页 |
| ·分类变量 | 第42-43页 |
| ·序数变量 | 第43-44页 |
| ·分割聚类方法 | 第44-47页 |
| ·k-means 算法的定义及实现步骤 | 第44页 |
| ·k-means 算法的运用举例 | 第44-47页 |
| 第四章 数据仓库在齿轮故障诊断中的应用研究 | 第47-59页 |
| ·运用数据仓库技术诊断齿轮故障的基本思想 | 第47-48页 |
| ·齿轮箱振动测试方案 | 第48-49页 |
| ·数据准备 | 第49页 |
| ·数据选择 | 第49页 |
| ·数据清理 | 第49页 |
| ·数据转换 | 第49页 |
| ·齿轮故障数据仓库的设计 | 第49-51页 |
| ·齿轮故障数据分析 | 第51-57页 |
| ·描述式数据分析 | 第51-52页 |
| ·预测式数据分析 | 第52-57页 |
| ·诊断实例 | 第57-58页 |
| ·讨论 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 中文详细摘要 | 第65-69页 |
