一、数据挖掘在故障诊断专家系统知识获取中的应用（论文文献综述）
杨楠[1]（2020）在《汽轮机智能诊断与健康管理关键技术研究》文中进行了进一步梳理随着“中国制造2025”、“互联网+”、“新一代人工智能发展规划”等国家战略的提出,在人工智能技术的推动下,智慧电厂成为能源企业未来趋势。智能诊断与健康管理（Intelligent Diagnosis and Health Management,IDHM）技术,更是需要新一代人工智能技术的融入,用以辅助提高电厂对设备运行、诊断、维护的效率。当前关于故障诊断与维修决策的相关研究繁多,且各有特点。另一方面,又缺乏针对复杂系统构建IDHM技术体系的研究。导致当前各种新技术、新方法不能有效的被电厂认识和应用。由其是对汽轮机这类重大设备,其本身具有故障模式复杂、监测信息少、故障样本稀缺、诊断知识祭奠丰富等特点,需要有针对性的运用IDHM技术解决传统问题,同时,灵活的运用经验知识使IDHM技术更具智慧。因此,本文立足于IDHM是辅助运维人员发现异常、排除故障、降低风险的初衷,以汽轮机组这类重大设备为例,在总结其故障诊断难点问题的基础上,开展综合利用经验知识和机器学习的IDHM关键技术研究。首先,结合汽轮机组故障诊断与维护过程中经验知识依赖性强、知识重用性高、知识数据非结构化等特点,基于设备树分析、故障模式与影响分析和故障树分析方法,总结了故障机理的分析方法和步骤。基于知识图谱和本体理论,对具有复杂关系结构的诊断知识,提出了故障诊断知识图谱的构建流程。并以核电汽轮机例,建立了故障诊断知识图谱。通过采用知识图谱对诊断知识进行存储和表达,减少了系统中知识数据的冗余,提高了IDHM系统对知识数据的管理效率。其次,在总结汽轮机故障诊断常用的状态数据故障特征的基础上,对趋势型征兆和频谱型征兆的识别方法进行了研究。提出了一种与经验相结合的序列数据趋势特征量化方法,弥补了以往汽轮机故障诊断中对趋势型征兆识别方法的不足。基于汽轮发电机组振动故障发生时,激振力在非线性系统中传播的原理,提出了一种基于提取振源方向的频谱识别方法,相比传统方法,频谱识别准确率得到较大提高。本文基于汽轮机故障机理知识开展的征兆识别方法研究,弥补了当前汽轮机故障诊断中对趋势型征兆和频谱识别的不足,有助于IDHM系统实现自动征兆识别,提高系统诊断效率。再次,为了弥补征兆识别方法存在误报率和漏报率的情况,以及机器学习方法无法进行知识推理,得到故障原因和维修建议的缺陷,本文对故障隔离、故障诊断和故障严重程度评估方法进行了研究。本文提出了基于图数据库搜索技术的故障隔离方法,以解决由于测点冗余、征兆信息过剩、诊断知识重用造成的诊断目标范围过大的问题。通过故障隔离,也极大的缩小了后续故障诊断的目标范围。为进一步推理故障发生可能性,在提出故障因果网络概念的基础上,将知识图谱中的故障诊断知识转化为可进行模糊推理的贝叶斯网络（Bayesian Network,BN）诊断模型。基于在线征兆和人工排查信息实现了诊断系统与维修人员工作的交互式推理。为综合评估设备当前运行风险水平和优化故障排查顺序,提出了故障链严重程度计算方法,从多个角度综合评估诊断网络中的可能故障链,使维修建议可在较少维修次数下快速降低设备运行风险水平。最后,本文在上述研究的基础上,通过对核电汽轮机IDHM样机系统的开发,设计和开发了 IDHM系统的架构、数据仓库以及各主要功能,使各项技术在功能和数据流转方面得以有效的融合。通过样机系统的开发与测试,验证了本论文研究内容的可行性与有效性。
赵燕辉[2]（2020）在《基于大数据的航电综合分析系统的设计与实现》文中指出在现代战争中,飞机作战环境日益复杂,各种作战任务越来越离不开航电系统的支持,一个稳定、功能完善航空电子系统是提升飞机作战性能的核心。为保障航电系统的稳定性与安全性,在航电系统正式应用于飞机前需要对航电系统进行仿真测试,在多年的试验数据分析过程中,专家和工程师们总结了大量分析经验,但是仍存在试验数据监控分析技术手段传统,工序繁琐,人员相关经验依赖性强等问题。在此次研究中,我们使用大数据实验平台代替光纤通道数据监控卡和光纤通道仿真卡,此外,将K-means算法用于数据挖掘,为专家系统的知识获取提供了一种方法,并采用故障树对异常数据进行分析。全文的主要工作如下:1.针对航空电子研究所应用的航空电子数据协议不一致,需要对每种协议类型的数据进行单独分析的问题,提出了基于大数据中心的数据预处理方法,可以兼容多协议格式的数据监控和数据分析。2.针对航空电子系统的发展和机载资源共享需要传输和处理的数据呈指数级增长的问题,提出了一种大数据实验平台来代替光纤通道数据监控卡和光纤通道仿真卡,从而实现对光纤通道发送数据的及时、有序的分类存储和管理。3.采用专家系统的概念,将专家的专业知识和相关领域的技术文档转化为知识库中的知识,使得本系统能够以依据专家的知识经验、思维方式去分析试验数据并进行故障诊断处理,通过对试验数据进行分析处理,并捕获异常数据。分析数据,确定异常类型和产生原因。4.该系统基于各种总线协议对试验数据进行可视化,用户可以查阅实时和历史的测试数据,并能够对监控数据进行流量速率统计,对仿真设备的工作在网状态进行监控显示。5.提出将K-means算法用于数据挖掘,为专家系统的知识获取提供了一种方法,降低了试验数据分析系统对工作人员领域经验的依赖性。以上工作,已经通过对系统功能测试完成验证,系统实现了多协议的试验数据监控分析、流量统计、异常数据监控等功能。
杨波[3]（2019）在《内燃机高原排放质量评价及故障诊断研究》文中研究表明中国高原面积大、风景秀丽,保护生态环境是新时代高原城市高质量发展的基本要求。高原城市汽车保有量逐年增加,已经成为高原大气污染的重要来源之一。同时,内燃机为机动车辆必不可少的核心组成部分,在高原环境下故障率显着提升,尾气排放污染进一步加深,更为重要的是带来了严重的安全隐患。当前高原城市消费者对于机动车的环保性和涉及安全性的故障预警和诊断智能化要求不断提升,是未来内燃机市场竞争的热点和焦点。开展内燃机排放质量评价和故障诊断决策知识库的研究对于云内动力有限股份公司发展和高原城市环境保护以及我国抢占内燃机标准高地具有重要的现实意义和社会意义。本研究依托云内动机实验平台,从生态环境保护和产品优化设计的双视角开展基于尾气信息的内燃机高原排放质量改进以及故障诊断知识应用研究。本研究主要工作分为四个核心部分:（1）内燃机高原排放特性统计分析。小缸径内燃机在排放性和经济性上都具有显着的优势,在未来市场竞争中具有优势,是本公司未来市场重点销售型号。本研究以小缸径内燃机为研究对象,开展内燃机高原排放实验设计,统计分析故障状态下和正常状态下的尾气排放特征,分析海拔变化对于尾气排放特征的影响。（2）内燃机排放质量综合评价研究。本研究提出利用区间数度量污染等级评价指标等级属性,然后基于可能度理论测算指标客观属性权重,并融合粗糙集法确定指标主观属性权重,进而构建内燃机排放质量可变模糊集评价模型,最后采用实例数据验证本方法的科学有效性,并对比分析海拔变化的影响,探讨不同减排方案的有效性。（3）内燃机故障智能化诊断模型研究。本研究提出一种新的基于IHS-RVM的内燃机故障诊断模型。为了获得性能更优的RVM诊断模型,对和声搜索（Harmony Search,HS）算法中HMCR、PAR和BW三参数获取方法进行改进,获得改进的和声算法（Improved Harmony Search,IHS）,然后,利用IHS进行RVM超参数寻优,进而利用尾气信息构建出了一种新的基于IHS-RVM的内燃机故障诊断模型。（4）内燃机故障诊断决策知识库设计。首先设计了知识库的表达方式,根据尾气信息和运行状态关系,建立了内燃机故障诊断决策知识库的规则库、事实库和专家库,并以排放质量模型和故障诊断模型为基础设计了推理机;同时,为提升知识库解释能力,设计了维保数据字典和知识检索模块,为内燃机故障诊断决策知识库实现奠定了基础。本研究的创新点主要体现在:（1）设计了一套内燃机在变海拔多工况下高原尾气排放信息试验方案。本研究提出在试验方案选择在省内最高海拔和最低海拔落差达到6000m以上云南进行;选定了符合高原特征且具有代表性的城市作为试验点,且控制了同一海拔和状态下的因素水平,减小了试验误差;该方案解决了实验数据和实际工况数据的差异性问题,揭示了内燃机在变海拔地区的尾气排放性能及基本规律。（2）构建了面向内燃机尾气信息特征的高原排放质量评价方法和故障诊断知识库。本研究提出了基于组合权重的内燃机高原排放质量可变模糊集评价模型,交叉应用了质量管理、模糊数学、机械工程理论等多学科知识,解决了定性评价存在的不足;同时,提出了一种融合粗糙集、和声算法以及RVM方法分别在属性简约、参数寻优和学习预测方面优势的组合方法,明晰了内燃机高原故障特征与尾气信息间的映射关系,并以智能决策知识系统理论为指导,设计了内燃机故障诊断决策知识库,解决了当前故障诊断精度低、效率低的问题。
刘芮含[4]（2019）在《决策树算法在变电站故障诊断中的应用研究》文中研究表明目前电力行业飞速发展,变电站数量不断增多,电力系统结构逐渐复杂,监控系统实时采集到大量且包含很多噪声的数据信息,干扰电力系统对有效数据信息的提取及故障诊断。为了避免上述的发生,我们采用数据挖掘技术从海量的数据中提取和分析有价值的运行诊断信息,从而能够快速准确地诊断变电站故障设备,缩短故障设备运行时间,提高电力系统的安全稳定性。本文首先阐述了数据挖掘的概念和常用算法,以及数据挖掘技术在电力故障诊断中的应用,选取了典型告警信号进行分析,并对其进行分类合并处理。再构建决策树算法模型,并阐述了几种经典的决策树算法以及对各个属性进行对比分析,接着对决策树算法进行改进,分别从优化样本数量,优化测试属性、离散化这三方面进行。选择样本数据,对算法模型进行验证,结果表明优化决策树算法的分类准确率、建模速度等均优于经典算法。最后将数据挖掘技术与电力诊断专家系统相结合,构建了一个电力故障诊断系统,并将改进的决策树算法应用于此系统中。基于决策树优化算法的电力诊断专家系统由推理机部分、解释器部分、决策树算法部分以及图形界面四大部分组成。将监控后台实时采集的数据信息应用于此诊断模型中,并采取典型故障信息进行验证,结果表明此系统能够快速准确地诊断出电力设备及故障原因,其实现过程简单、适用性较高,具有很好的使用价值和意义。该论文有图17幅,表9个,参考文献51篇。
刁逸帆[5]（2019）在《数据挖掘技术在旋转机械故障部位诊断中的研究与应用》文中指出旋转机械是机械设备中最常见的机械系统,对旋转机械的故障诊断一直是一个热门的研究方向。振动是造成结构疲劳和机械故障的最主要的因素,旋转机械的振动会引起磨损,性能下降以及旋转部件的失效,直至造成重大经济损失或人员伤亡。对结构复杂的转子系统而言,其振动信息在传递过程中往往变得难以识别,而且实践中也很难寻找到信号的特征信息与设备故障的一一对应关系,因此利用常规的故障诊断技术来实现复杂设备故障的确诊较为困难。随着数据库技术在状态监测和故障诊断系统中应用规模、规范和深度的不断扩大,企业积累的设备监测数据越来越多,激增的数据背后隐藏着许多重要的信息,为基于数据分析的数据挖掘技术提供了有利条件。在数据挖掘算法中,分类与回归树（CART）算法以其高速、高准确率、鲁棒性好和直观的分类规则广泛应用于人工智能领域。在CART被提出的三十多年中,已有优化算法针对其分类准确率进行了改进,相关算法被应用于故障诊断中并带来了突破性的进展。2014年提出的“中国制造2025”与工业4.0时代逐渐接轨,对智能制造提出了更高的要求。作为制造过程中的重要环节,设备健康监测与故障诊断的智能化和在线实时检测是技术难点,因此需要一个具有快速分类速度的数据挖掘算法。现有的故障诊断方法对CART算法的应用研究一般集中于对CART算法的分类准确度提升和应用方式的优化。而对其另一个重要指标——分类速度却鲜有研究,目前也没有有效的能实现实时在线故障诊断的CART优化算法。在本文中,搭建了完整的故障诊断系统以及模拟了不平衡、轴承外圈、轴承内圈和轴承转珠四种常见的转子故障,采集其振动位移、速度、加速度和转子台转速等信息建立数据集并经过处理生成训练集和测试集。文中针对CART算法改进并提出了D-CART算法,基于二分法对CART算法选择最佳分类点的迭代方式进行底层算法改进,在确保分类准确率的前提下极大地提高了CART算法的分类效率。同时对无监督学习算法的主流算法——K-means算法逼近中心点的方式进行改进设想,用材力形心法代替传统的规则图形逼近法。在这两种优化算法中,编程实现了D-CART优化算法,训练出决策树分类模型并与其他四种经典的CART改进算法进行对比,体现出D-CART优化算法的优越性。最后,应用该算法成功的诊断出了转子系统的故障类型、位置,同时针对不平衡故障进行了定量分析。证明本文提出的D-CART优化算法能高质量地完成转子系统的各项在线故障诊断任务,并能应用于实时同步诊断。
徐勇[6]（2019）在《基于数据驱动的注塑机液压故障智能诊断系统研究与设计》文中指出随着我国工业互联网布局的逐步完善以及智能制造战略的稳步落实,在工业设备运行状态监测与健康管理的领域中,故障智能诊断技术逐渐成为各类工业设备智能化应用的研究重点。注塑机作为高分子材料加工的主要设备,使用的量大面广,但目前仍普遍采用事后维修的方式,特别是当设备内部液压系统出现故障时,因故障隐蔽性强,给排查、维修工作带来巨大难度的同时也严重影响了生产效率,急需提升注塑机的智能化水平;现有的故障诊断专家系统能够在一定程度上提高诊断维修的效率,但是该种诊断技术的实现依赖于专家主观经验,且不具备自更新功能,故障诊断准确率偏低。针对上述问题,本文设计了基于数据驱动的注塑机液压故障智能诊断系统,通过非破坏性的人为操作模拟出实际注射过程中的液压缸内泄漏状态,获得故障数据样本,使用数据挖掘算法完成故障特征提取以及诊断模型训练,并结合互联网技术实现远程的故障智能诊断。本文的研究工作包含了以下几个方面:（1）分析和调研了注塑机故障诊断需求与历史故障维修记录,以数据驱动的诊断系统组织架构为基础,确定了系统的软件模式与结构设计。（2）将故障诊断对象设定为出现频次高的注射油缸内泄漏故障,并搭建了故障模拟实验平台,成功采集了注塑机在正常、轻微泄漏、一般泄漏、严重泄漏共四种状态下的数据样本。（3）提出了结合注塑机工艺特点的方法,对注射阶段与保压阶段进行了差异化的故障特征提取,其中注射阶段利用探索性分析法提取出4个特征变量,保压阶段运用时域统计与小波包变换能量法提取出5个特征变量。（4）采取了XGBoost算法对所提取的故障特征数据进行小样本数据训练,并利用PSO算法完成超参数的寻优,最终诊断模型在测试集上的准确率达到88.9%。利用Java Web技术与Python脚本所开发的注塑机液压故障智能诊断系统,能够实现数据上传、数据可视化、特征提取、远程故障智能诊断、诊断模型自更新等多种功能;在12组现场模拟状态的数据上,系统故障识别率为100%且各类响应时间平稳,说明系统运行稳定可靠。
钟福磊[7]（2015）在《工业大数据环境下的混合故障诊断模型研究》文中研究说明近年来,随着互联网、物联网、传感器等信息技术与通信技术的迅猛发展,数据量的暴涨成了许多行业共同面对的严峻挑战和宝贵机遇。随着工业中信息技术的进步和现代化管理理念的普及,企业的运营越来越依赖信息技术。在现在的工业中,已经存储了大量的设备工况数据,已经呈现出大数据的诸多特征,但是企业并没有挖掘出这些数据的价值。现在信息通信技术不断融入工业设备中,推动工业设备向数字化、智能化方向发展。具体而言,在设备、生产线中配备传感器,抓取数据,然后通过无线通信连接互联网,传输数据,对设备或生产过程进行实时状态监控。在设备运行过程中,自然磨损或者意外事件会使设备的性能发生一定的变化,会出现故障。现在可通过传感技术感知数据,通过对设备运行过程中的各个因素精确感知并进行分析来实现设备的故障诊断。在一定程度上,设备所产生的数据直接决定了设备智能化水平和故障诊断的准确性。设备的故障诊断方法可以分为三种:基于机理模型的方法,基于数据驱动的方法,基于知识工程的方法。为了充分利用工业中海量数据并且保证诊断的准确性和高效性,本文将基于数据驱动的方法和基于知识工程的方法结合起来,提出了一种混合故障诊断模型。盾构机故障诊断中该方向研究较少,所以本文选择盾构机为研究对象,对其管片拼装机的液压回路进行仿真,利用仿真数据对混合模型中的关键算法进行研究。本文具体工作如下:（1）提出了基于数据驱动的方法和基于知识工程的方法相结合的混合故障诊断模型。（2）提出了以支持向量机算法为核心的数据驱动方法。对支持向量机算法涉及到的核函数和多分类等问题进行了研究。以盾构机中拼装机的液压系统为研究对象,在AMESim软件进行仿真,研究油液污染和漏油两种故障情况,通过对马达的运行数据进行分析来进行故障诊断。（3）将数据挖掘算法应用到基于知识工程的方法中进行知识发现。本文分别应用关联规则算法和聚类算法于盾构机故障仿真数据进行知识发现。关联规则算法采用了Apriori算法,聚类算法采用了k-means算法。
朱清香,焦朋沙,刘晶,郝红红[8]（2013）在《矩阵加权关联规则在故障诊断系统中的应用》文中研究表明关联规则挖掘算法实现了对复杂设备的通用、快速、脱离主观经验的故障诊断。经典的关联规则算法以各项目均匀分布为前提,而实际的故障诊断过程中不同的故障因素对故障诊断的贡献度不同。针对这种情况,将"最小支持期望"和矩阵引入关联规则,提出一种适用于设备故障诊断的基于矩阵的加权关联规则模型——MWARMA模型,实例证明该模型在提高挖掘效率的同时,明显提高了故障诊断的准确率。以该模型为基础设计并实现了一套设备故障诊断系统。
李爱[9]（2013）在《航空发动机磨损故障智能诊断若干关键技术研究》文中研究表明航空发动机结构极复杂，工作在高温、高速的恶劣条件下，极易发生各种机械故障。据统计，在造成各类飞行事故的诸因素中，发动机故障原因所占比例一般在25％～30％，而航空发动机转子系统及传动系统中的齿轮和轴承磨损失效是航空发动机研制和使用过程中所出现的主要故障。由此可见，及时有效地诊断和预测出航空发动机的磨损故障，对于提高飞行安全，降低发动机维修成本，实施航空发动机视情维修，具有重要意义。然而，由于航空发动机的复杂性，各种磨损数据与磨损故障之间是一种模糊的、非线性、不确定的关系，传统方法已经不能满足磨损故障诊断的要求。鉴于此，本文将现代人工智能和模式识别技术引入航空发动机磨损故障诊断，围绕航空发动机磨损故障智能诊断若干关键技术进行研究，主要内容如下：1)不局限于正态分布假设的磨损界限值的制定。抛弃了传统油样数据正态分布假设，提出了基于支持向量机的磨损界限值制定方法。利用支持向量机从大量的油样分析数据中估计出概率密度函数，再依据估计出的概率密度函数得到航空发动机磨损界限值。该方法利用了支持向量机全局最优、良好泛化能力，以及解的稀疏性等优越性能，与传统统计方法相比，更具科学性和合理性。最后本文应用实际的航空发动机油样光谱数据对方法进行了验证分析，表明了方法的正确有效性。2)磨损趋势的组合预测方法。对油样分析数据进行数学建模，外推出未来发展趋势，对于航空发动机磨损状态的预测，尽早对故障的发展趋势进行预测和评估，从而避免重大事故的发生和及时安排维修工作，具有重要意义。鉴于此，本文提出基于最小二乘支持向量机的组合预测方法，首先利用灰色预测模型，神经网络预测模型和AR预测模型进行单项预测，然后利用最小二乘支持向量机方法实现组合预测，同时利用粒子群算法对支持向量机参数进行了优化。该方法解决了单一预测模型的信息源不广泛性，对模型设定形式敏感等问题。最后，利用实际的航空发动机油样光谱数据对方法进行了验证，表明了本文组合预测方法较单一预测模型方法大大提高了预测精度。3)磨损故障诊断知识规则的自动提取。为了解决目前航空发动机磨损故障智能诊断专家系统普遍存在知识获取能力弱，知识更新困难，知识适应性差等方面的缺陷，本文提出了基于支持向量机的数据挖掘技术，利用支持向量机进行了磨损规则的自动获取研究。在该方法中，首先利用遗传算法对样本数据特征进行选取，然后将特征选取后的数据样本映射到一个高维特征空间中，得到样本的最优分类超平面以及支持向量，利用支持向量机聚类算法得到样本的聚类分配矩阵，最后在聚类分配矩阵的基础上构建超矩形，得到超矩形规则，并利用规则合并、维数约简、区间延伸等方法对超矩形规则进行了简化。针对样本严重不平衡问题，本文采用过抽样算法中典型的SMOTE算法对故障样本进行重采样之后再进行规则提取，取得了良好的效果。同时，开发了专家系统与国外着名数据挖掘开源软件Weka的接口技术，利用Weka软件的数据挖掘算法实现了航空发动机磨损故障诊断专家系统的知识自动获取。最后，利用实际的航空发动机故障数据进行了验证，表明了本文方法的正确有效性。4)基于多Agent的磨损故障融合诊断方法。该方法综合运用各油样分析方法的冗余性和互补性，有效地利用各种油样分析方法的特点和优势以提高诊断精度。该多Agent诊断系统主要包括颗粒计数Agent、理化分析Agent、铁谱分析Agent、光谱分析Agent、总控Agent、调度Agent、通信Agent、融合诊断Agent、油样数据和知识规则库以及人机智能界面。本文根据飞机发动机磨损故障诊断的实际情况，给出了各Agent诊断规则，并用具体的油样分析数据进行了验证，表明了多Agent融合诊断的有效性。5)最后本文将所研究的若干智能方法运用于与成都飞机工业（集团）有限责任公司以及北京航空工程技术研究中心合作开发的航空发动机磨损故障诊断专家系统中，实现磨损界限值制定、磨损趋势预测、融合诊断以及专家系统的知识自动获取。应用结果表明，本文的研究工作大大提升了航空发动机磨损故障智能诊断专家系统的智能化和自动化水平。
王珉[10]（2013）在《飞行器关键子系统健康管理中的故障诊断知识获取方法研究》文中研究表明飞行器关键子系统如发动机,动力供应系统,动力传动系统等对飞行器的功能、安全性和可靠性具有重要影响。飞行器健康管理技术对于监测关键子系统的工作状态、评估其状态退化趋势、预测其剩余使用寿命、保证其安全运行具有重要意义,是贯彻状态基维修策略乃至自治性维修保障的基础和前提。作为健康管理系统流程中的重要环节之一,知识获取为飞行器健康管理的全过程提供知识支持,是监测、诊断、预测、维修决策、运行安全评估等智能化实现的重要基础。然而,在飞行器关键子系统健康管理系统研究中,常常存在知识匮乏,特别是故障诊断知识更新慢、完备性差、知识领域狭窄、积累过程滞后等问题。针对这些问题,本文开展飞行器关键子系统健康管理中的故障诊断知识获取方法研究,主要研究工作包括:1.深入剖析了故障诊断知识的基本概念和内涵,较为系统地研究了知识获取的基本理论。基于对飞行器全寿命周期中故障信息源的管理特点及数据结构特性的调研分析,研究构建了面向多源信息挖掘的飞行器故障诊断知识获取框架,制定了适应不同故障信息源的知识获取策略,分析了知识获取中的关键问题,研究了基于本体的故障诊断知识封装方法。研究表明:知识获取模型与数据挖掘算法是知识获取的引擎,对知识获取的精度、效率等具有重要影响。知识获取模型与数据挖掘算法的选取应综合考虑知识获取任务需求、模型的功能、数据挖掘精度、数据集的结构特点和算法的计算复杂度等因素。2.深入研究了基于测试信息源的知识获取方法（1）针对状态测试数据样本不完整问题,研究了数据样本的完整性分析方法,提出了基于主元分析（PCA）的缺损数据估计算法。（2）研究了基于聚类模型的异常状态检测方法,提出了基于最大散度差大的模糊聚类分析算法（MSD-FCA）,用于提取隐藏在数据集中,与正常数据差异小的故障模式信息。（3）研究了基于关联模型的故障特征提取方法,提出了基于模式矩阵的关联规则挖掘算法（PM-ARMA）,用于分析状态特征参数间相互关系,从数据样本中挖掘故障关联信息。液体火箭发动机地面试验数据验证表明:基于PCA的缺损数据估计算法可以显着提高数据样本的完整性分析精度;MSD-FCA能够保证模式差异小的数据集中故障模式的挖掘精度;PM-ARMA降低了关联规则挖掘的计算量,提高了故障关联信息的挖掘效率。3.深入研究了基于统计信息源的知识获取方法（1）详细分析比较了各种粗糙集模型,在对未知属性值进行语义分析的基础上,研究了基于特征关系的不完备信息处理方法。（2）在基于特征关系的属性-值集的基础上,定义了最大特征相似集,提出了一种基于最大特征相似集,从不完备诊断信息表中提取最优广义故障诊断决策规则的方法。（3）阐述了基于粗糙集的粒计算的基本理论,提出了不完备信息条件下,基于粒计算的故障诊断决策规则提取方法,利用粒计算对论域边界元素的分析,充分挖掘了未知属性值中隐含的分类信息。直升机传动链检修与维护记录验证表明:特征关系将未知属性值依据其语义区别对待,更符合工程中的实际情况。基于最大特征相似集和基于粒计算的规则提取方法可以有效处理不完备诊断信息,挖掘其中隐含的故障信息,形成简洁、精炼的故障诊断决策规则。4.深入研究了基于仿真信息源的知识获取方法（1）提出了基于仿真的飞行器故障诊断知识获取模型,用于在故障信息缺乏的情况下,利用计算机仿真技术获取故障诊断知识。（2）重点研究了基于仿真的故障数据获取方法和仿真结果知识化方法,对其实行途径进行了分析。（3）以液体火箭发动机地面试验台动力供应系统为对象,对基于仿真的知识获取模型及其关键方法进行了验证。研究表明:通过对故障状态下系统功能和动态特性的计算机模拟,并对仿真结果进行分析整理,能有效提取故障诊断知识,为复杂、昂贵的飞行器关键子系统的故障诊断知识更新与积累提供一条有效途径。5.分析了飞行器关键子系统故障诊断知识库的基本功能和总体结构,针对采用本体方法封装的故障诊断知识模型,对知识库的存储接口和查询接口进行了设计,并开发了直升机传动链故障诊断知识库。研究表明:知识库存储接口结构稳定,易于理解,能满足大规模故障诊断知识的存储管理需求,对本体模型的语义查询,能够优化查询接口性能,提高故障诊断知识的查询效率。
二、数据挖掘在故障诊断专家系统知识获取中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、数据挖掘在故障诊断专家系统知识获取中的应用（论文提纲范文）
（1）汽轮机智能诊断与健康管理关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 信息获取的研究现状 |
| 1.2.2 故障诊断技术研究现状 |
| 1.2.3 设备健康管理的研究现状 |
| 1.3 本文研究内容和结构安排 |
| 第2章 基于知识图谱的诊断知识获取与表达 |
| 2.1 引言 |
| 2.2 故障机理分析方法与步骤 |
| 2.2.1 名词解释 |
| 2.2.2 设备树分析 |
| 2.2.3 故障模式及影响分析 |
| 2.2.4 故障树分析 |
| 2.2.5 基于Neo4j的知识图谱构建 |
| 2.2.6 故障机理分析步骤 |
| 2.3 诊断知识图谱的建立 |
| 2.3.1 知识图谱构建流程 |
| 2.3.2 类和实体属性定义 |
| 2.3.3 关系定义 |
| 2.4 核电汽轮机诊断知识图谱的构建 |
| 2.4.1 核电汽轮机设备树分析 |
| 2.4.2 汽轮机组故障机理分析 |
| 2.4.3 核电汽轮机诊断知识图谱 |
| 2.5 本章小结 |
| 第3章 汽轮机典型故障征兆识别 |
| 3.1 引言 |
| 3.2 基于模糊矢量映射的序列数据趋势型征兆识别 |
| 3.2.1 模糊矢量空间映射 |
| 3.2.2 案例验证 |
| 3.3 基于独立元空间重构的频谱类征兆识别 |
| 3.3.1 频谱中的方向概念 |
| 3.3.2 独立元空间重构方法 |
| 3.3.3 案例验证 |
| 3.4 本章小结 |
| 第4章 基于知识图谱与贝叶斯网络的智能诊断与维修决策 |
| 4.1 引言 |
| 4.2 基于知识图谱确定性推理的故障隔离 |
| 4.2.1 Cypher查询语句 |
| 4.2.2 基于图数据搜索的故障隔离 |
| 4.2.3 案例测试 |
| 4.3 基于贝叶斯网络不确定性推理的故障诊断 |
| 4.3.1 贝叶斯网络的定义 |
| 4.3.2 BN诊断模型构建关键技术 |
| 4.3.3 基于联合树算法的BN推理 |
| 4.3.4 案例测试 |
| 4.4 基于故障链严重程度评估的维修决策 |
| 4.4.1 独立严重程度指标 |
| 4.4.2 故障链严重程度 |
| 4.4.3 与PM和传统CM的对比 |
| 4.4.4 实例测试 |
| 4.5 结论 |
| 第5章 智能诊断与健康管理原型系统设计与实现 |
| 5.1 引言 |
| 5.2 原型系统基本框架 |
| 5.3 智能诊断与健康管理系统主要功能设计 |
| 5.3.1 基于数据仓库技术的存储设计 |
| 5.3.2 基于机器学习算法框架的征兆识别模块设计 |
| 5.3.3 基于确定性和不确定性推理的诊断推理模块设计 |
| 5.4 样机系统实现 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 全文总结 |
| 6.2 论文主要创新点 |
| 6.3 有待进一步开展的工作 |
| 参考文献 |
| 攻读博士期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（2）基于大数据的航电综合分析系统的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外发展现状 |
| 1.2.1 航空电子系统国内外发展情况 |
| 1.2.2 仿真测试分析技术的国内外发展情况 |
| 1.2.3 专家系统的国内外发展情况 |
| 1.3 课题来源及本文结构和内容 |
| 第二章 基本概念与相关技术分析 |
| 2.1 机载数据总线协议介绍 |
| 2.1.1 1394 协议 |
| 2.1.2 1553 B协议 |
| 2.1.3 FC协议 |
| 2.2 系统技术分析 |
| 2.2.1 故障诊断技术分析 |
| 2.2.2 专家系统技术分析 |
| 2.2.3 故障树技术分析 |
| 2.2.4 数据挖掘技术分析 |
| 2.3 本章小结 |
| 第三章 系统算法研究及总体设计 |
| 3.1 系统算法技术研究 |
| 3.1.1 知识获取算法分析 |
| 3.1.2 K均值算法分析 |
| 3.1.3 大数据中心技术架构分析 |
| 3.1.4 K均值算法优化 |
| 3.1.5 算法评估与性能分析 |
| 3.2 系统软件总体架构设计 |
| 3.2.0 系统需求分析 |
| 3.2.1 软件架构设计 |
| 3.2.2 系统模块划分 |
| 3.3 本章小结 |
| 第四章 系统的开发与实现 |
| 4.1 大数据中心平台的设计与实现 |
| 4.1.1 大数据中心架构设计 |
| 4.1.2 数据通信实现 |
| 4.1.3 数据订阅与消息过滤实现 |
| 4.2 试验数据监控平台的设计与实现 |
| 4.2.1 用户权限管理模块设计与实现 |
| 4.2.2 数据监控模块设计与实现 |
| 4.3 异常数据检测平台的开发与实现 |
| 4.3.1 专家系统结构模型建立 |
| 4.3.2 异常数据检测模块实现 |
| 4.4 系统功能验证与分析 |
| 4.4.1 系统部署环境 |
| 4.4.2 功能验证 |
| 4.4.3 性能验证 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 前景展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）内燃机高原排放质量评价及故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及问题的提出 |
| 1.1.1 研究背景 |
| 1.1.2 研究问题的提出 |
| 1.2 研究目的和研究意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 内燃机尾气高原排放特征相关研究 |
| 1.3.2 内燃机故障诊断模型及方法相关研究 |
| 1.3.3 内燃机故障诊断专家知识库系统相关研究进展 |
| 1.3.4 文献评述 |
| 1.4 研究范围的界定 |
| 1.4.1 研究对象的界定 |
| 1.4.2 试验范围的界定 |
| 1.5 研究思路、方法和技术路线 |
| 1.5.1 研究思路 |
| 1.5.2 研究方法与技术路线 |
| 1.6 研究内容和创新点 |
| 1.6.1 主要研究内容 |
| 1.6.2 创新点 |
| 第二章 基本概念和基础理论分析 |
| 2.1 基本概念简介 |
| 2.1.1 高原及其环境的基本特征 |
| 2.1.2 内燃机排放及其危害性 |
| 2.1.3 智能决策支持系统 |
| 2.2 基础理论分析 |
| 2.2.1 可持续发展理论 |
| 2.2.2 知识管理理论 |
| 第三章 内燃机高原排放信息的试验调查设计 |
| 3.1 排放信息获取试验调查设计 |
| 3.1.1 试验方案设计 |
| 3.1.2 试验设备和仪器清单 |
| 3.1.3 试验地点和工况情况 |
| 3.2 排放数据采集 |
| 3.2.1 正常状态数据收集 |
| 3.2.2 故障状态数据收集 |
| 3.3 排放信息预处理与分析方法 |
| 3.3.1 排放信息预处理 |
| 3.3.2 排放信息分析方法 |
| 3.4 本章小结 |
| 第四章 内燃机高原排放信息特征统计分析 |
| 4.1 不同状态下气体污染物排放统计分析 |
| 4.1.1 正常状态下气体污染物排放统计分析 |
| 4.1.2 故障状态下气体污染物排放统计分析 |
| 4.2 不同状态下颗粒物排放统计分析 |
| 4.2.1 正常状态下颗粒物统计分析 |
| 4.2.2 故障状态下颗粒物统计分析 |
| 4.3 海拔因素对内燃机高原排放的影响分析 |
| 4.3.1 海拔因素对正常状态下排放的影响分析 |
| 4.3.2 海拔因素对故障状态下排放的影响分析 |
| 4.4 本章小结 |
| 第五章 内燃机高原排放质量可变模糊评价研究 |
| 5.1 内燃机排放质量评价指标体系构建 |
| 5.1.1 评价指标体系构建原则 |
| 5.1.2 评价指标体系构建过程 |
| 5.1.3 评价指标维度构成及等级标准 |
| 5.2 内燃机排放质量评价模型构建 |
| 5.2.1 可变模糊集模型原理 |
| 5.2.2 可变模糊集模型的权重优化 |
| 5.2.3 基于组合权重的可变模糊评价模型构建 |
| 5.3 内燃机排放质量可变模糊评价 |
| 5.3.1 组合权重的确定 |
| 5.3.2 评价过程及结果分析 |
| 5.4 本章小结 |
| 第六章 基于排放信息的内燃机故障诊断及知识库设计研究 |
| 6.1 基于排放信息的内燃机故障诊断机理 |
| 6.1.1 气体污染物判断故障的机理 |
| 6.1.2 固体颗粒物判断故障的机理 |
| 6.2 超参数优化的内燃机故障诊断RVM模型 |
| 6.2.1 相关向量机模型原理 |
| 6.2.2 相关向量机模型的参数寻优 |
| 6.2.3 内燃机故障诊断模型构建 |
| 6.3 内燃机故障诊断模型性能评价 |
| 6.3.1 内燃机故障诊断模型性能评价指标 |
| 6.3.2 内燃机故障诊断模型性能评价 |
| 6.3.3 多种模型性能对比分析 |
| 6.4 内燃机故障诊断决策知识库设计 |
| 6.4.1 内燃机故障诊断决策知识库需求分析 |
| 6.4.2 内燃机故障诊断决策知识库总体设计 |
| 6.4.3 内燃机故障诊断决策知识库的详细设计 |
| 6.5 本章小结 |
| 第七章 研究结论与展望 |
| 7.1 研究结论 |
| 7.2 研究不足及展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（4）决策树算法在变电站故障诊断中的应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和研究方法 |
| 1.4 总体结构 |
| 2 相关基础研究与行业分析 |
| 2.1 数据挖掘算法 |
| 2.2 数据挖掘在电力故障诊断中的应用 |
| 2.3 告警信号的选择及研究 |
| 2.4 本章小结 |
| 3 决策树优化算法的设计及模型验证 |
| 3.1 决策树算法构建数据挖掘模型 |
| 3.2 决策树算法模型的优化 |
| 3.3 改进决策树算法的模型验证 |
| 3.4 本章小结 |
| 4 实验与分析 |
| 4.1 电力故障诊断系统的总体设计 |
| 4.2 数据挖掘故障诊断的功能设计 |
| 4.3 优化决策树算法的故障诊断应用 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录:原始数据 |
| 作者简历 |
| 学位论文数据集 |
（5）数据挖掘技术在旋转机械故障部位诊断中的研究与应用（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的背景与意义 |
| 1.1.1 旋转机械故障诊断方法概述 |
| 1.1.2 数据挖掘概念与方法概述 |
| 1.2 研究现状及本文研究内容 |
| 1.2.1 基于数据挖掘故障诊断的研究现状 |
| 1.2.2 本文研究内容 |
| 1.3 章节安排 |
| 第二章 数据挖掘算法理论研究 |
| 2.1 CART算法介绍 |
| 2.1.1 CART算法基本原理 |
| 2.1.2 经典CART优化算法 |
| 2.2 D-CART优化算法介绍 |
| 2.2.1 二分法算法原理 |
| 2.2.2 基于二分法的D-CART算法原理 |
| 2.3 K-MEANS优化算法原理 |
| 2.3.1 K-means基本算法原理 |
| 2.3.2 基于形心法优化的K-means算法原理 |
| 2.4 本章总结 |
| 第三章 旋转机械故障诊断方法与应用 |
| 3.1 转子系统关键部位故障分析 |
| 3.1.1 关键部位故障类型介绍 |
| 3.1.2 转子系统典型故障特性分析 |
| 3.2 基于数据挖掘的诊断方法关键步骤分析 |
| 3.2.1 特征选择 |
| 3.2.2 数据预处理 |
| 3.3 本章总结 |
| 第四章 数据挖掘优化算法性能评估 |
| 4.1 实验与数据 |
| 4.1.1 实验设备介绍 |
| 4.1.2 实验准备 |
| 4.2 D-CART优化算法性能分析 |
| 4.3 本章总结 |
| 第五章 D-CART算法在故障诊断中的应用 |
| 5.1 对转子系统关键部位故障类型的诊断 |
| 5.1.1 关键部位故障类型实验步骤 |
| 5.1.2 实验结果和模型评价 |
| 5.1.3 实验小结 |
| 5.2 对不平衡故障的定量诊断 |
| 5.2.1 不平衡诊断实验步骤 |
| 5.2.2 实验结果与模型评价 |
| 5.2.3 实验小结 |
| 5.3 本章总结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（6）基于数据驱动的注塑机液压故障智能诊断系统研究与设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 故障诊断方法概述 |
| 1.3 国内外研究现状 |
| 1.3.1 注塑机故障诊断研究现状 |
| 1.3.2 液压系统故障诊断研究现状 |
| 1.3.3 数据驱动的故障诊断研究现状 |
| 1.4 本文研究内容与章节安排 |
| 第二章 注塑机故障诊断需求与方案设计 |
| 2.1 注塑机结构工作原理 |
| 2.1.1 注塑机的结构组成 |
| 2.1.2 注塑成型过程 |
| 2.2 注塑机故障诊断需求分析 |
| 2.3 故障智能诊断系统模型 |
| 2.4 注塑机液压故障智能诊断系统方案 |
| 2.4.1 系统软件架构设计 |
| 2.4.2 系统结构与运行原理 |
| 2.4.3 数据挖掘工具分析与选取 |
| 2.5 本章小结 |
| 第三章 注塑机液压故障数据采集 |
| 3.1 液压缸内泄漏理论 |
| 3.2 内泄漏故障实验设计 |
| 3.2.1 实验方案 |
| 3.2.2 实验设备与仪器 |
| 3.2.3 实验内容 |
| 3.3 实验数据结果与预处理 |
| 3.4 本章小结 |
| 第四章 故障特征提取与智能诊断算法研究 |
| 4.1 注射阶段信号探索性分析 |
| 4.2 保压阶段压力信号数据时域特征提取 |
| 4.2.1 时域统计特征概念 |
| 4.2.2 原始时域特征提取 |
| 4.2.3 时域特征的主成分分析 |
| 4.3 保压压力信号频域能量特征提取 |
| 4.3.1 小波包分解与重构 |
| 4.3.2 小波包能量特征提取 |
| 4.4 基于XGBOOST的注塑机内泄漏故障诊断 |
| 4.4.1 XGBoost算法概述 |
| 4.4.2 故障诊断模型训练与评估 |
| 4.4.3 故障诊断结果与对比分析 |
| 4.5 本章小结 |
| 第五章 注塑机液压故障系统开发与实现 |
| 5.1 软件系统设计与开发 |
| 5.1.1 软件开发技术与运行环境 |
| 5.1.2 数据库设计 |
| 5.1.3 系统诊断时序图设计 |
| 5.1.4 软件功能实现 |
| 5.2 系统测试 |
| 5.2.1 系统功能测试 |
| 5.2.2 系统性能测试 |
| 5.3 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（7）工业大数据环境下的混合故障诊断模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 论文研究背景 |
| 1.2 故障诊断研究现状 |
| 1.3 盾构机故障诊断研究现状 |
| 1.4 混合模型研究现状 |
| 1.5 论文研究的目的和意义 |
| 1.6 论文结构组织 |
| 第二章 混合故障诊断模型 |
| 2.1 混合故障诊断模型 |
| 2.2 混合模型中的关键技术 |
| 2.2.1 数据预处理 |
| 2.2.2 基于知识工程的方法 |
| 2.2.3 基于数据驱动的方法 |
| 2.2.4 数据挖掘与知识发现 |
| 2.3 本章小结 |
| 第三章 基于支持向量机的数据驱动方法 |
| 3.1 基于数据驱动的方法简介 |
| 3.2 支持向量机(SVM)算法理论 |
| 3.2.1 SVM算法在故障诊断中研究现状 |
| 3.2.2 支持向量机（SVM）算法理论 |
| 3.3 核函数及其参数的选择 |
| 3.4 多分类问题 |
| 3.4.1 全局多类支持向量机 |
| 3.4.2 组合多分类 |
| 3.5 本章小结 |
| 第四章 利用数据挖掘技术进行知识发现 |
| 4.1 基于知识工程的方法 |
| 4.1.1 专家系统研究现状 |
| 4.1.2 专家系统简介 |
| 4.1.3 专家系统中知识发现 |
| 4.2 利用关联规则算法进行知识发现 |
| 4.2.1 数据挖掘与知识发现 |
| 4.2.2 关联规则算法Apriori |
| 4.2.3 Apriori算法中规则发现 |
| 4.3 利用聚类算法进行知识发现 |
| 4.3.1 k-means算法简介 |
| 4.3.2 k-means算法进行知识发现 |
| 4.4 本章小结 |
| 第五章 盾构机管片拼装系统故障诊断 |
| 5.1 盾构机简介 |
| 5.2 液压系统常见故障简介 |
| 5.3 周向回转液压系统仿真 |
| 5.3.1 AMESim软件简介 |
| 5.3.2 液压系统油液污染故障仿真 |
| 5.3.3 液压系统漏油故障仿真 |
| 5.4 应用基于数据驱动的方法进行故障诊断 |
| 5.4.1 油液污染故障仿真分类结果 |
| 5.4.2 漏油故障数据： |
| 5.4.3 三种不同状态的分类结果 |
| 5.5 利用数据挖掘来发现知识 |
| 5.5.1 利用关联规则算法来发现知识 |
| 5.5.2 利用聚类算法发现知识 |
| 5.6 本章小结 |
| 第六章 总结和展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）矩阵加权关联规则在故障诊断系统中的应用（论文提纲范文）
| 1 加权关联规则 |
| 1.1 基本概念 |
| 1.2 基本性质 |
| 2 MWARMA模型 |
| 2.1 MWARMA模型描述 |
| 2.2 实例分析 |
| 3 基于MWARMA模型的故障诊断系统 |
| 4 结论 |
（9）航空发动机磨损故障智能诊断若干关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 图表清单 |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 航空发动机磨损故障智能诊断研究背景 |
| 1.2 航空发动机磨损故障诊断研究现状 |
| 1.2.1 磨损监测仪器的开发 |
| 1.2.2 专家系统研究与开发 |
| 1.2.3 基于油液分析多源信息的磨损故障融合诊断 |
| 1.2.4 基于油样分析数据的发动机磨损趋势预测技术 |
| 1.2.5 磨损界限值制定技术 |
| 1.3 本论文的主要研究内容及安排 |
| 第二章 航空发动机磨损故障诊断界限值制定研究 |
| 2.1 引言 |
| 2.2 油样光谱诊断界限值特点 |
| 2.3 传统油样磨损诊断界限值制定方法 |
| 2.4 概率密度函数估计 |
| 2.4.1 概率密度估计问题的描述 |
| 2.4.2 基于 Parzen 窗法的概率密度函数估计 |
| 2.4.3 基于 kN-近邻法的概率密度函数估计 |
| 2.4.5 基于最大熵法的概率密度函数估计 |
| 2.4.6 基于支持向量机的概率密度函数估计 |
| 2.4.7 概率密度函数估计方法验证与比较 |
| 2.5 航空发动机磨损界限值制定 |
| 2.5.1 航空发动机油样光谱数据 |
| 2.5.2 航空发动机油样光谱数据质量浓度界限值制定 |
| 2.5.3 航空发动机油样光谱数据质量浓度梯度界限值制定 |
| 2.5.4 航空发动机油样光谱数据质量浓度比例界限值制定 |
| 2.6 小结 |
| 第三章 航空发动机磨损趋势组合预测模型研究 |
| 3.1 引言 |
| 3.2 时间序列预测方法概述 |
| 3.3 基于 LSSVM 的组合预测模型 |
| 3.3.1 LSSVM 回归算法原理 |
| 3.3.2 基于 PSO 的 LSSVM 回归模型优化 |
| 3.3.3 单一预测模型的选取 |
| 3.3.4 误差指标 |
| 3.3.5 获取训练样本 |
| 3.3.6 组合预测步骤 |
| 3.4 航空发动机油液光谱分析数据组合预测实例分析 |
| 3.4.1 算例 1 |
| 3.4.2 算例 2 |
| 3.5 结论 |
| 第四章 基于数据挖掘的航空发动机磨损故障诊断知识获取 |
| 4.1 引言 |
| 4.2 基于 SVM 的知识获取 |
| 4.2.1 概述 |
| 4.2.2 基于 GA_SVC 的知识获取流程 |
| 4.2.3 对不平衡数据的预处理 |
| 4.2.4 基于遗传算法特征选取的数据预处理 |
| 4.2.5 支持向量聚类算法 SVC |
| 4.2.6 基于规则的样本识别方法 |
| 4.2.7 规则的简化 |
| 4.3 基于 WEKA 平台的知识规则提取 |
| 4.3.1 Weka 系统介绍 |
| 4.3.2 基于 Weka 平台 C4.5 决策树算法的知识规则提取 |
| 4.4 诊断实例 |
| 4.4.1 航空发动机磨损故障案例数据 |
| 4.4.2 基于 SVM 的知识获取 |
| 4.4.3 基于 Weka 平台的知识获取 |
| 4.4.4 规则提取方法比较分析 |
| 4.5 结论 |
| 第五章 航空发动机磨损故障融合诊断技术研究 |
| 5.1 引言 |
| 5.2 AGENT 及多 AGENT 系统的理论基础 |
| 5.3 航空发动机磨损故障的多 AGENT 协同诊断 |
| 5.3.1 航空发动机磨损故障多 Agent 协同诊断的必要性分析 |
| 5.3.2 飞机发动机磨损故障多 Agent 协同诊断方法原理 |
| 5.3.3 各 Agent 诊断规则 |
| 5.4 诊断案例 |
| 5.4.1 诊断流程 |
| 5.4.2 诊断结果 |
| 5.5 结论 |
| 第六章 航空发动机磨损故障诊断专家系统开发 |
| 6.1 引言 |
| 6.2 专家系统简介 |
| 6.3 专家系统整体架构 |
| 6.4 专家系统主要功能 |
| 6.4.1 油样注册模块 |
| 6.4.2 趋势预测模块 |
| 6.4.3 专家诊断模块 |
| 6.4.4 机器学习模块 |
| 6.4.5 系统设置模块 |
| 6.5 小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（10）飞行器关键子系统健康管理中的故障诊断知识获取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩写词和符号说明 |
| 第一章 绪论 |
| 1.1 研究背景与需求分析 |
| 1.1.1 飞行器健康管理的研究价值与意义 |
| 1.1.2 飞行器健康管理系统流程中的关键方法 |
| 1.1.3 故障诊断知识获取方法的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 健康管理技术与方法 |
| 1.2.2 知识获取技术与方法 |
| 1.3 课题来源与主要研究工作 |
| 1.3.1 课题来源与研究目标 |
| 1.3.2 论文研究方案与章节安排 |
| 第二章 故障诊断知识获取的理论基础与知识获取框架 |
| 2.1 引言 |
| 2.2 故障诊断知识的概念与内涵 |
| 2.2.1 对知识的认识 |
| 2.2.2 故障诊断问题分析 |
| 2.2.3 本文对故障诊断知识概念和内涵的理解 |
| 2.3 知识获取的基本理论 |
| 2.3.1 知识获取流程 |
| 2.3.2 知识获取模型 |
| 2.4 飞行器故障诊断知识获取框架 |
| 2.4.1 知识获取框架的总体结构 |
| 2.4.2 基于测试信息源的知识获取策略及关键问题分析 |
| 2.4.3 基于统计信息源的知识获取策略及关键问题分析 |
| 2.4.4 基于仿真信息源的知识获取策略及关键问题分析 |
| 2.4.5 基于本体的故障诊断知识封装 |
| 2.5 本章小结 |
| 第三章 基于测试信息源的知识获取方法 |
| 3.1 引言 |
| 3.2 数据完整性分析 |
| 3.2.1 基于均值替换的缺损数据估计 |
| 3.2.2 参数相关性分析 |
| 3.2.3 基于PCA的缺损数据估计 |
| 3.2.4 方法的LRE试验数据验证 |
| 3.3 基于聚类模型的异常状态检测 |
| 3.3.1 基于最大散度差的聚类分析 |
| 3.3.2 方法的LRE试验数据验证 |
| 3.4 基于关联模型的故障特征提取 |
| 3.4.1 基于模式矩阵的关联分析 |
| 3.4.2 方法的LRE试验数据验证 |
| 3.5 本章小结 |
| 第四章 基于统计信息源的知识获取方法 |
| 4.1 引言 |
| 4.2 基于粗糙集的不完备信息处理基础 |
| 4.2.1 粗糙集模型 |
| 4.2.2 基于特征关系的不完备信息处理 |
| 4.3 基于最大特征相似集的诊断决策规则提取 |
| 4.3.1 基于最大特征相似集的决策规则提取方法 |
| 4.3.2 方法的传动链诊断实例验证 |
| 4.4 基于粒计算的诊断决策规则提取 |
| 4.4.1 粒计算基本理论 |
| 4.4.2 基于特征关系的信息粒化 |
| 4.4.3 粒约简 |
| 4.4.4 基于粒计算的广义决策规则 |
| 4.4.5 方法的传动链诊断实例验证 |
| 4.5 本章小结 |
| 第五章 基于仿真信息源的知识获取方法 |
| 5.1 引言 |
| 5.2 基于仿真的故障诊断知识获取模型 |
| 5.3 基于仿真的故障数据获取 |
| 5.3.1 故障建模与仿真 |
| 5.3.2 虚拟测点设置与模型优化 |
| 5.4 仿真结果知识化 |
| 5.4.1 故障征兆提取 |
| 5.4.2 故障征兆集优化 |
| 5.4.3 知识模式可信度分析 |
| 5.5 LRE试验台动力供应系统故障仿真与诊断知识获取 |
| 5.5.1 基于动力学建模的动力供应系统功能仿真模型 |
| 5.5.2 虚拟测点设置与仿真结果分析 |
| 5.5.3 典型故障模式注入与仿真 |
| 5.5.4 知识模式生成 |
| 5.6 本章小结 |
| 第六章 飞行器关键子系统故障诊断知识库 |
| 6.1 引言 |
| 6.2 故障诊断知识库设计 |
| 6.2.1 故障诊断知识库的功能与结构分析 |
| 6.2.2 故障诊断知识库存储接口设计 |
| 6.2.3 故障诊断知识库查询接口设计 |
| 6.3 直升机传动链故障诊断知识库 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 全文总结 |
| 7.1.1 主要研究工作 |
| 7.1.2 主要结论 |
| 7.1.3 主要创新点 |
| 7.2 工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、数据挖掘在故障诊断专家系统知识获取中的应用（论文参考文献）
- [1]汽轮机智能诊断与健康管理关键技术研究[D]. 杨楠. 华北电力大学(北京), 2020(06)
- [2]基于大数据的航电综合分析系统的设计与实现[D]. 赵燕辉. 电子科技大学, 2020(07)
- [3]内燃机高原排放质量评价及故障诊断研究[D]. 杨波. 昆明理工大学, 2019(06)
- [4]决策树算法在变电站故障诊断中的应用研究[D]. 刘芮含. 辽宁工程技术大学, 2019(07)
- [5]数据挖掘技术在旋转机械故障部位诊断中的研究与应用[D]. 刁逸帆. 合肥工业大学, 2019(01)
- [6]基于数据驱动的注塑机液压故障智能诊断系统研究与设计[D]. 徐勇. 华南理工大学, 2019(01)
- [7]工业大数据环境下的混合故障诊断模型研究[D]. 钟福磊. 西安电子科技大学, 2015(03)
- [8]矩阵加权关联规则在故障诊断系统中的应用[J]. 朱清香,焦朋沙,刘晶,郝红红. 工业工程, 2013(02)
- [9]航空发动机磨损故障智能诊断若干关键技术研究[D]. 李爱. 南京航空航天大学, 2013(12)
- [10]飞行器关键子系统健康管理中的故障诊断知识获取方法研究[D]. 王珉. 国防科学技术大学, 2013(01)