| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究目的及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 设备维护国内外研究现状 | 第10-12页 |
| 1.2.2 知识发现研究现状 | 第12页 |
| 1.2.3 知识发现在制造过程中的应用 | 第12-14页 |
| 1.3 论文主要研究内容与技术路线 | 第14-16页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 技术路线 | 第15-16页 |
| 2 相关理论 | 第16-21页 |
| 2.1 知识发现方法 | 第16-18页 |
| 2.1.1 知识发现一般过程 | 第16页 |
| 2.1.2 数据挖掘的参考模型CRISP-DM | 第16-18页 |
| 2.2 相关数学理论 | 第18-21页 |
| 2.2.1 自回归模型（AR过程） | 第18-19页 |
| 2.2.2 自组织竞争神经网络 | 第19-20页 |
| 2.2.3 基于K-均值（K-means）的聚类算法 | 第20-21页 |
| 3 基于大数据的维护知识发现模型 | 第21-34页 |
| 3.1 知识发现的整体构架 | 第21-22页 |
| 3.2 基于大数据的维护知识发现模型 | 第22-29页 |
| 3.2.1 基于时间序列变化过程的知识发现模型 | 第22-26页 |
| 3.2.2 基于聚类的数据发现知识的有效性判定 | 第26-27页 |
| 3.2.3 基于大数据的维护知识发现模型 | 第27-29页 |
| 3.3 单参量维护知识发现模型验证 | 第29-33页 |
| 3.3.1 实验平台搭建 | 第29-30页 |
| 3.3.2 模型应用 | 第30-31页 |
| 3.3.3 结果分析 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 基于知识的复杂机电设备维护决策研究 | 第34-45页 |
| 4.1 复杂机电设备维护需求分析 | 第34-42页 |
| 4.1.1 机电设备复杂性分析 | 第34-39页 |
| 4.1.2 设备维护需求分析 | 第39-42页 |
| 4.2 基于知识的设备维护研究 | 第42-44页 |
| 4.2.1 关键维护系统的确定 | 第42-43页 |
| 4.2.2 基于知识的维护策略 | 第43-44页 |
| 4.3 本章小结 | 第44-45页 |
| 5 基于大数据发现知识的设备维护决策应用案例 | 第45-58页 |
| 5.1 机床维护需求分析 | 第45-51页 |
| 5.1.1 机床类型介绍 | 第45-46页 |
| 5.1.2 设备维护分析 | 第46-51页 |
| 5.2 基于大数据挖掘知识的维护决策 | 第51-57页 |
| 5.2.1 设备数据的获取 | 第51页 |
| 5.2.2 历史大数据的挖掘和知识边界的界定 | 第51-54页 |
| 5.2.3 维护知识的发现 | 第54-56页 |
| 5.2.4 基于知识的维护决策 | 第56-57页 |
| 5.3 本章小结 | 第57-58页 |
| 6 总结及展望 | 第58-60页 |
| 6.1 本文总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65页 |
| A. 作者在攻读硕士学位期间发表的成果目录 | 第65页 |
| B. 作者在攻读硕士学位期间参与的课题 | 第65页 |