基于数据挖掘的核电站故障诊断技术研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-27页 |
| ·课题研究的目的和意义 | 第12-13页 |
| ·故障诊断技术的发展与现状 | 第13-17页 |
| ·故障诊断技术的发展 | 第13页 |
| ·故障诊断技术的研究现状 | 第13-14页 |
| ·故障诊断技术的发展趋势 | 第14-15页 |
| ·核电站的故障诊断的研究现状及发展趋势 | 第15-17页 |
| ·基于数据挖掘的故障诊断技术 | 第17-24页 |
| ·故障诊断技术的分类 | 第17-18页 |
| ·数据挖掘算法的分类 | 第18-19页 |
| ·常用数据挖掘算法 | 第19-21页 |
| ·粗糙集的发展及其在故障诊断领域的应用 | 第21-23页 |
| ·集成学习算法 | 第23-24页 |
| ·序列监督学习 | 第24页 |
| ·本文研究的内容及章节安排 | 第24-27页 |
| 第2章 基于决策树的故障诊断技术研究 | 第27-51页 |
| ·核电站典型事故分析 | 第27-31页 |
| ·核电站主要系统介绍 | 第27页 |
| ·核电站典型故障及特征 | 第27-31页 |
| ·故障样本的获取 | 第31-33页 |
| ·故障参数的选择 | 第31-32页 |
| ·样本信息 | 第32-33页 |
| ·基于 ID3 算法的故障诊断 | 第33-43页 |
| ·属性重要度的评价方法 | 第33-34页 |
| ·决策树 ID3 算法介绍 | 第34-36页 |
| ·仿真实验 | 第36-43页 |
| ·基于 C4.5 算法的故障诊断 | 第43-47页 |
| ·决策树 C4.5 算法介绍 | 第43-44页 |
| ·仿真实验 | 第44-47页 |
| ·仿真结果分析 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第3章 基于邻域粗糙集的参数约简算法研究 | 第51-65页 |
| ·特征选择和属性约简 | 第51-52页 |
| ·特征选择和属性约简的意义 | 第51-52页 |
| ·核电站故障诊断参数约简的意义 | 第52页 |
| ·邻域粗糙集 | 第52-59页 |
| ·经典的粗糙集方法 | 第52-54页 |
| ·经典粗糙集的缺陷 | 第54页 |
| ·邻域粗糙集 | 第54-59页 |
| ·基于邻域粗糙集的核电站参数约简 | 第59-64页 |
| ·参数的依赖度计算 | 第59-61页 |
| ·参数约简算法 | 第61-62页 |
| ·仿真实验 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 第4章 故障诊断的集成学习方法研究 | 第65-88页 |
| ·引言 | 第65-66页 |
| ·故障诊断模型的泛化问题 | 第66-67页 |
| ·集成学习算法 | 第67-74页 |
| ·集成学习算法的原理和框架 | 第67-70页 |
| ·基模型的个体生成方法 | 第70-71页 |
| ·基模型的融合策略 | 第71-74页 |
| ·基模型多样性的度量 | 第74-75页 |
| ·仿真实验 | 第75-86页 |
| ·基模型的生成 | 第75-76页 |
| ·参数分组的解释 | 第76页 |
| ·故障诊断中的参数缺失问题 | 第76-77页 |
| ·正常情况下的诊断 | 第77-79页 |
| ·参数缺失情况下的诊断 | 第79-86页 |
| ·本章小结 | 第86-88页 |
| 第5章 基于序列监督学习的故障诊断方法研究 | 第88-102页 |
| ·引言 | 第88页 |
| ·核电站参数的时变特性分析 | 第88-95页 |
| ·参数的自相关系数 | 第88-93页 |
| ·参数的依赖度函数 | 第93-95页 |
| ·滑动窗算法 | 第95-97页 |
| ·仿真实验 | 第97-100页 |
| ·不采用滑动窗算法的诊断 | 第97页 |
| ·采用滑动窗算法的诊断 | 第97-98页 |
| ·进行特征提取后的诊断 | 第98-100页 |
| ·序列监督学习在核电站故障诊断中的应用 | 第100页 |
| ·本章小结 | 第100-102页 |
| 结论 | 第102-104页 |
| 参考文献 | 第104-113页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第113-114页 |
| 致谢 | 第114页 |
