文摘
英文文摘
第一章绪论
1.1机械故障诊断
1.1.1机械故障诊断主要研究内容
1.1.2机械故障诊断技术理论及方法
1.1.3机械故障诊断的现状及发展趋势
1.2数据挖掘技术
1.2.1数据挖掘技术简介
1.2.2数据挖掘处理模型及常用算法
1.2.3设备故障诊断信息特点
1.2.4国内外研究现状
1.3时间序列数据挖掘
1.3.1时间序列数据挖掘简介
1.3.2时间序列数据挖掘主要研究内容及研究现状
1.4本文主要研究内容及结构安排
1.4.1本文结构安排
1.4.2本文主要研究内容
第二章基于SIAAFT算法的非线性检验
2.1替代数据法
2.1.1替代数据法简介
2.1.2各种零假设及其算法
2.1.3检验统计量
2.2改进的替代数据法——SIAAFT法
2.2.1 IAAFT法
2.2.2 SIAAFT法
2.2.3选取最佳被测数据
2.3算法绩效验证
2.4检验统计量的影响分析
2.5应用实例
2.6本章小结
第三章基于高维相重构数据的全局投影降噪算法
3.1研究基础
3.2全局投影算法的实现
3.2.1算法实现原理
3.2.2重构时间序列
3.2.3全局投影算法步骤
3.2.4全局投影算法与局部投影算法比较
3.3实验分析
3.3.1仿真实验
3.3.2讨论
3.4全局投影算法在机械故障诊断中的应用
3.4.1全局投影降噪算法用于转子轴心轨迹提纯
3.4.2全局投影降噪算法用于低速重载轴承诊断
3.5本章小结
第四章基于GG聚类的时间序列分割算法
4.1常用时间序列分割算法及其不足
4.2时间序列分割
4.2.1时间序列分割问题的形式化描述
4.2.2分割问题基本概念
4.3基于GG聚类的时间序列分割算法
4.3.1常用c分割算法
4.3.2基于GG模糊聚类的模糊分割
4.3.3基于GG模糊聚类的算法实现步骤
4.3.4分割数目和主成分数量的确定
4.4分割算法应用实例
4.4.1应用于仿真数据
4.4.2应用于在线监测系统
4.4.3应用展望
4.5本章小结
第五章基于KS检验的时序数据分类挖掘系统
5.1研究基础
5.1.1经验分布函数
5.1.2 Glivenko定理简介
5.1.3 Kolmogorov检验
5.1.4 Smimov 检验
5.2 KS检验的应用实例
5.2.1仿真信号实验
5.2.2齿轮故障诊断实验
5.2.3 KS检验应用于故障分类
5.3远程监测与诊断系统中的应用实例
5.3.1利用KS检验快速诊断轴承故障
5.3.2故障分类器准确性验证
5.4本章小结
第六章基于支持向量机的时序数据趋势预测
6.1常用的时间序列预测方法及其不足
6.2研究基础
6.2.1 SVM用于函数逼近的基本理论
6.2.2进化策略法
6.3基于支持向量回归的时间序列预测模型
6.3.1时间序列预测模型的建立
6.3.2数据准备
6.3.3预测模型
6.3.4预测评价指标
6.4仿真实验
6.4.1核函数的选择
6.4.2进化策略法用于优化SVM参数
6.4.3两种算法的预测实验比较
6.4.4多步预测实验
6.5应用实例
6.6本章小结
第七章基于时序数据挖掘的远程监测与诊断系统
7.1数据仓库
7.1.1从数据库到数据仓库
7.1.2数据仓库定义
7.1.3机械监测系统数据仓库
7.1.4数据接口
7.2时间序列数据挖掘快速处理模型
7.3风机远程监测与诊断系统构建
7.3.1监测对象
7.3.2诊断系统网络运行结构
7.3.3系统诊断数据挖掘结构
7.4结论
第八章总结与展望
8.1论文主要完成工作
8.2未来工作展望
参考文献
在学研究成果
致谢
论文主要创新点