一、分类规则挖掘及其在故障诊断建模中的应用（论文文献综述）
钱小毅[1]（2020）在《基于k近邻与规则挖掘的风电机组故障诊断研究》文中提出发展低碳经济、开发和利用可再生能源,已成为全球能源战略与可持续发展的核心问题。凭借技术手段成熟、商业化程度高、开发规模大等优势,风力发电已成为全球增长速度最快的绿色能源。在风电装机容量的急速增加的同时,也带来了产能过剩以及逐渐凸显的质量问题。在风电机组运行环境恶劣,优质风资源的逐渐减少,风电行业偏向“重制造,轻管理”的现状下,风电机组关键部件故障频频发生,对机组的运行效益甚至电网的安全运行造成了严重影响。本文针对上述背景现状,运用数据挖掘技术,开展基于数据驱动的风电机组故障诊断方法研究,以解决风电机组部分组件的运行状态特征挖掘、异常状态检测、故障识别与故障概率分析等问题,为风电机组故障诊断系统的研发提供理论基础。本论文具体研究工作如下:（1）针对风电机组监测信号之间存在耦合性与动态相关性的问题,提出了基于互信息的风电机组动态特征挖掘方法。通过即时特征与延时特征构造增广特征矩阵,根据特征之间的互信息累计度量建立风电机组监测信号的动态特征矩阵,将动态特征矩阵中的特征参量作为风电机组组件故障检测模型的输入。通过对比不同特征处理方式对风电机组故障检测性能的影响,验证所提特征挖掘方法的有效性。该方法兼顾特征之间的关联性与趋势性关系,同时降低无关特征对模型输出的影响,避免由于特征过多造成的模型计算复杂问题。（2）针对风电机组复杂运行工况下的故障检测问题,提出一种基于动态特征矩阵的加权k近邻故障检测方法。所提方法以k近邻故障检测方法为框架,利用在线样本近邻距离判断运行状态异常,降低了复杂工况对检测模型精度的影响。采用特征间的累计互信息度量实现特征加权,提高对异常状态的分离能力。为减少状态突变引起的误报与漏报现象,提出基于近邻样本的动态阈值设定方法,将给定置信水平下的阈值与近邻距离均值综合计算得到故障检测的动态阈值。将所提方法应用于FAST仿真模型和变桨系统真实故障数据,验证了所提方法的有效性。（3）针对风电机组故障挖掘问题,提出一种基于智能优化的模糊规则挖掘方法。所提方法结合模糊C均值聚类与启发式学习生成初始规则集合,以避免噪声样本对初始规则的影响。通过多种群量子编码和混合进化策略提高种群的多样性与全局搜索能力,并提出矛盾规则重构方法以针对性的处理低质量规则。在通过标准数据集验证所提规则挖掘方法的搜索能力与噪声容忍性之后,将所提方法与Relief F特征选择方法相结合,应用于风电机组的故障规则挖掘与故障类型识别中,验证了所提方法对风电机组故障知识挖掘的效果。（4）针对风电机组潜在故障分析问题,提出一种故障概率分析与异常变量回溯方法。所提方法采用近邻故障规则选择策略评估风电机组部分组件潜在故障程度,在此基础上分别通过潜在故障筛选、多规则竞争与概率计算获取潜在故障的综合概率排序。根据故障状态的近邻故障规则,通过变量筛选与模糊贡献评价等步骤识别关键异常变量。将所提方法应用于NREL-5MW风电机组故障根源分析,验证了所提方法的有效性。
刘航[2]（2020）在《变压器状态监测数据质量提升和故障识别方法研究》文中指出电力变压器是电网中能量转换和传输的核心,是电网中最重要和最关键的变电设备。为准确监控变压器的真实运行状态,大量的状态监测装置和智能电表被部署于设备侧,使得变压器的状态量已由过去单一少量的离线数据逐步发展为具有大体量、多类型和高增速的状态监测数据。在上述背景下,如何有效利用多种类型的状态监测数据来提升变压器故障识别结果的准确性成为了迫切需要开展研究的课题。针对故障识别过程中面临的原始数据质量低下、故障数据稀缺以及诊断方式简单粗犷等瓶颈问题,本文开展了变压器状态监测数据质量提升、故障状态辨识和故障概率计算等相关研究工作,并取得了如下研究成果:（1）根据正常数据、无效和有效异常数据的变化特征,提出了基于辅助特征向量和密度聚类（DBSCAN）的变压器状态监测数据异常检测方法。通过为每类状态量构造辅助特征向量,使用DBSCAN聚类方法对辅助特征向量聚类,实现了监测数据中不同类型正常数据、含故障信息的有效异常数据、无效异常数据的准确识别。为了在无监督的条件下优化DBSCAN模型参数,提出了基于“类别数–Eps”曲线的启发式参数选择方法,提升了异常检测结果的精准率和召回率。与现有的异常检测技术相比,所提出的方法具有兼顾模式识别与异常检测的能力,避免了现有数据清洗方法无法保留有效异常数据的不足。该方法适用于满足平稳性假设的状态监测数据,且在多个变压器油色谱数据集的异常检测实例中表现出了准确率高和稳定性好的性能。（2）根据监测数据中缺失值的特征和严重程度,定义了孤立缺失值、连续缺失变量和连续缺失样本三类缺失值。按照由易到难的数据修复原则,建立了基于三层次插补模型的状态监测数据缺失值修复方法,分别使用一维插值、多元回归分析和基于长短时记忆网络的逐步外推预测模型顺序插补三类缺失值。在变压器油色谱和负荷数据集中的插补实验结果表明,三层次插补模型适用于插补具有平稳和非平稳特征的时间序列数据,其在复杂场景中的数据修复性能优于单一数据插补方法。（3）针对可用于故障识别的建模数据缺乏、故障发生时刻未知等问题,提出了基于无监督概念漂移识别和动态图嵌入的变压器故障检测方法。使用余弦相似度和多元线性回归模型识别不同数据模式之间的概念漂移分界点以及正常与故障数据分界点,为故障检测模型选择最佳的离线建模数据。在对变压器进行故障检测时,动态图嵌入模型使用无标签的正常历史数据建模,其性能不受故障数据稀缺的影响,相比传统的阈值检测技术,本文方法能够及时准确地检测出电力设备早期且严重程度较小的故障。（4）针对传统故障诊断方法只能定性地识别变压器故障模式,而不能定量计算设备故障概率的不足,提出了基于关联规则分析的变压器故障概率计算方法。使用Weibull概率分布模型和Apriori关联规则挖掘算法量化状态量与故障模式之间的关联规则与重要度,实现不同故障模式和变压器的故障概率计算。实例分析表明,本文提出的方法基于数据驱动,故障概率计算过程不依赖于专家经验或领域知识,保证了计算结果的客观性和准确性。（5）变压器故障识别对比实验结果表明,状态监测数据中的无效异常值和缺失值是影响故障识别方法性能的重要因素之一。开展异常检测和缺失值插补能够提升状态监测数据的有效性与完整性,对获取准确可靠的故障识别结果具有重要意义。
陈小龙[3]（2019）在《证据驱动型火电机组状态预警方法及其应用研究》文中认为对火电机组设备的实时运行状态进行监测,对设备可能的异常状态进行及时的预警并对异常原因进行诊断分析,是保障火电机组健康稳定运行,进而维护电网安全稳定运行的重要手段,也是一项极具挑战性的任务。针对设备运行状态存在的不精确性不确定性,复杂设备机理建模困难以及设备异常或故障样本缺乏的问题,论文研究了基于证据驱动的火电机组设备状态监测、预警及诊断方法的课题,内容涉及设备运行状态的挖掘与表征,设备状态监测及预警,异常状态预警原因分析等。此外,文中还介绍了证据驱动型火电机组状态预警方法在云南省发电设备状态预警平台上的实际应用情况。论文进行了如下主要研究与创新:提出了一种采用基于密度峰值的聚类方法（DPC）的设备运行状态挖掘方法,并基于证据理论框架对设备运行状态进行证据表征,构建设备典型状态证据库。DPC聚类方法可以根据设备历史运行数据的密度分布情况,合理地挖掘设备的典型运行状态,并且不需要预先给定聚类数目。采用证据的形式对设备状态进行表征,可充分表达设备状态的不精确和不确定性。此外,针对对海量数据直接进行DPC聚类分析存在的计算时间长,对计算机硬件要求高等问题,提出一种动态密度偏差抽样算法（DBS）。对海量运行数据进行抽样后再利用DPC方法进行设备状态挖掘,可以有效解决上述问题。动态密度偏差抽样算法很好地解决了传统密度偏差抽样算法中预计抽样数与实际抽样数偏差大的问题。基于调整兰德指数（ARI）,提出了一个可衡量动态DBS算法性能的指标,并根据该指标对动态DBS算法中相关参数的选择进行了研究。提出了一种基于改进证据分类器的设备状态监测与预警方法（CMEW-EKNN）。该方法仅仅基于设备的正常运行数据就可实现设备状态监测及异常状态的预警,解决了设备故障样本缺乏以及获取困难的难题。针对数据样本分布不均的问题,采用一种自适应折现因子用于证据分类器中的证据折现,使得预警模型的局部预警边界能够根据局部训练样本数据的分布特征自适应变化,从而提高预警方法的准确性与鲁棒性。此外,基于留一交叉验证法和变步长渐增迭代法,对折现因子的大小进行了宏观的调整,在不破坏其自适应能力的前提条件下,可以使得预警方法的性能最优。CMEW-EKNN可以对设备状态进行实时监测并给出设备状态的衍变趋势,对设备潜在的异常或故障及时发出警报,防止设备异常状态进一步恶化。提出了一种新的用于k近邻准确搜索的距离计算方法,可使得设备出现异常时k近邻的搜索更准确。基于证据分类器的状态监测与预警方法中,k近邻的搜索过程是根据设备当前状态点与设备状态库中的典型状态点之间的距离来确定,因此某一个或多个运行变量的值发生异常都会导致k近邻搜索过程产生偏差。而设备或过程的运行变量可分为输入和输出两种类型。当设备状态出现异常时,往往表现为一个或多个输出变量的异常偏离,而输入变量受设备异常状态的影响较小。论文采用设备输入空间距离和输出空间距离平方的加权和来进行设备实时状态点k近邻的搜索,有效降低了设备输入输出惯性延迟和输出变量异常偏移对k近邻搜索精度造成的影响。提出了一种基于近邻残差的设备异常状态预警原因反演分析方法。针对传统的基于模型的残差生成方法依赖于机理建模的问题,论文基于k近邻（KNN）的核心思想,以构建的设备典型状态证据库为参照集生成近邻残差,避免了机理建模的困难。采用证据分类器中的证据融合思想将近邻残差进行融合,可对设备异常变量进行定位,进而判断预警发生时设备是发生了真实的异常还是出现了新的状态。针对设备异常或故障数据样本缺乏的问题,论文采用对近邻残差的衍变方向进行评估的方法,结合专家知识或经验,对设备可能的异常原因作出诊断分析,从而为设备的检修提供指导建议。采用高压加热器和凝汽器的如泄漏、结垢等多种不同类型突变与缓变异常的仿真数据对本文状态预警算法的有效性进行了验证。论文中利用现场仅有的一些实际异常数据对状态预警方法的性能进行了一定的测试,但还不充分。针对设备异常或故障数据样本缺乏的实际情况,建立了台州第二发电厂高压加热器和凝汽器的动态仿真模型,并对这两个设备的多种异常状态进行了仿真,以此获得异常测试数据。利用仿真获得的设备正常运行数据,建立了设备典型状态证据库。基于该状态证据库,采用本文中提出的设备状态预警方法,对设备不同的异常状态进行了检测与诊断测试,以此验证了证据驱动型设备状态预警方法对不同类型异常状态进行检测与诊断的能力。
关凤伟[4]（2019）在《基于时序数据的设备故障检测与故障因子分析方法研究》文中进行了进一步梳理工业生产过程中由于设备故障造成停工,会产生大量的经济损失。伴随着工业4.0的深入推进和物联网技术的不断发展,重要工业设备的检测与维护数据被不断收集存储,这些监测数据中包含了大量的故障信息,为故障检测和故障的因子分析提供了数据准备。运用数据挖掘技术对设备故障进行检测,有利于提早发现故障,避免故障扩大造成更严重的损失。在设备故障检测的基础上进一步分析挖掘故障因子并且找到设备故障的原因,不仅可以指导工业设备科学的使用与维护,而且可以根据故障因子调整检修方案来减少事故发生。本文通过基于数据驱动的故障检测与因子分析模型,为设备维护与精确检测故障提供有效的科学理论保障。针对工业设备时序数据特点与故障检测与因子分析的应用需求,本文提出了一套工业设备时序数据特征工程的完整流程,特征工程包括了时序数据缺失、时序数据聚合与特征提取、时序数据标准化以及样本不均衡等问题的解决策略。同时针对工业故障检测中多分类的需求,提出了一种基于有向无环图（DAG）的集成多分类模型,通过减少基础的分类器个数提高故障检测效率。本文提出用随机森林模型对故障进行检测,结合相关性分析挖掘故障因子进行故障单因子分析。为了分析故障因子之间的关联关系,本文提出了一种权重关联规则分类算法（WCBA）的故障因子关联性分析方法,通过WCBA模型对设备故障进行检测,用分类规则前置项中分析故障原因之间的关联关系。最后通过实验验证了上述模型不仅仅能够有较好的故障检测准确率,而且能够进行故障的单因子分析与故障的因子相关性分析,为故障的检修与日常故障防护提供理论支持。本文将时序数据挖掘技术应用到工业设备故障检测与因子分析中,从设备监测时序数据入手构建故障检测模型并进行故障因子分析,目的是提高故障检测准确性,改善故障因子分析严重依赖专业知识的情况。本文的研究还存在不足之处,本文提出的模型是基于轻量级数据的,并没有考虑高并发大数据的因素;而且故障因子的背后物理意义解释性稍差。因此未来的工作是研究在高并发大数据集的前提下进行故障检测与因子分析,并且进一步提高模型的效率和可解释性。
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》文中进行了进一步梳理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。
寇智聪[6]（2019）在《基于数据挖掘方法的工艺知识发现及粗糙度预测研究》文中研究指明制造系统和制造过程充满了复杂性与动态性,数据挖掘和机器学习等知识发现手段可应用于制造过程的各个阶段,是应对制造业挑战的重要方法和技术。将这些技术手段与制造相结合,不仅可以充分挖掘企业数据中蕴含的工艺知识,为企业带来更快的响应速度与更深远的洞察力;同时利用机器学习强大的计算能力对过程进行分析和优化,有助于提高设计与生产效率、降低成本和改善质量。数据挖掘和机器学习方法因其高精度以及良好的可用性,越来越受到大家的关注。本文对数据挖掘和机器学习在工艺知识提取以及表面粗糙度预测的应用进行研究,提出了对应的算法进行求解,具体内容如下:（1）针对企业积累的历史数据未能充分利用的问题,提出基于混沌引力搜索算法的关联规则挖掘方法。该方法引入混沌映射改进引力常数更新使得算法的搜索能力得到提高,综合考虑多个评价指标,并加入相似度评价指标以保持产生规则的多样性。该方法可以有效对工艺知识进行挖掘,较其它经典方法在挖掘结果的质量方面有所提高。（2）针对人工神经网络不能显式地指出过程参数与生产质量之间的非线性关系这一缺点,开发了一种基于蜻蜓算法的分类规则抽取方法,旨在从加工过程中生成精确和可理解的分类规则,用于表达加工参数与表面粗糙度之间的因果关系。并进一步提出了一种基于KBANN和分类规则的混合学习模型,用于表面质量预测。实验表明,该模型能发现加工过程中的知识,指导过程参数的调整,最终达到改进加工质量的目的。（3）针对目前用于表面粗糙度预测的模型多采用传统机器学习方法这一现状,提出引入深度学习方法实现非监督学习的特征提取,使用多种深度神经网络对基于刀具磨损量的表面粗糙度进行了建模预测。对比其他方法,深度神经网络的拟合能力以及泛化能力均较好,能够给工程师改善加工过程质量提供帮助。本文提出的若干方法通过挖掘工艺知识,提高了企业生产数据的利用率;改善过程质量控制的能力,提高制造过程的稳定性,有效提高生产效率和产品质量。同时,将数据挖掘与机器学习应用于工艺知识发现与加工表面质量监控,也为传统的制造过程控制与优化理论加入了新的内容。
于博文[7]（2015）在《数据挖掘技术在故障诊断中的应用》文中研究说明随着生产技术的发展,生产设备的综合生产能力得到提升,其设备结构也日趋复杂化,设备的运行状态直接影响着企业的经济效益。由于设备的日常监控信息吞吐量过大,人工数据分析就显得不切实际,而数据挖掘正是解决此问题的首选方法。数据挖掘技术可以理解为一种新型的“知识”获取工具,从数据本身发掘出其内在信息,并将其结果进行展示的技术。计算机应用技术的发展为数据挖掘技术在故障诊断中的应用奠定了坚实的基础,通过其对设备故障进行智能诊断,帮助设备维修人员和故障诊断专家对设备进行及时的诊断、提出正确的维修意见、加快维修速度、提高维修质量、节约维护经费。无论从经济还是从安全的角度出发,如何在生产中及时发现设备故障是保证设备正常生产的重中之重,因此数据挖掘技术在故障诊断中的应用研究具有重要的意义。本文首先确定了数据挖掘技术在设备故障诊断中应用的技术路线,着重研究了现阶段数据挖掘技术中与故障诊断相关的算法,根据实际生产数据的状况,利用粗糙集对故障表征属性进行数据约简,运用决策树和关联规则从约简结果中挖掘出所需的故障匹配规则,进而通过故障匹配规则对设备进行故障诊断。具体工作如下:1、对数据预处理过程中的故障属性约简算法用遗传算法进行优化,利用粗糙集理论中的粗糙逼近精度来确定信息属性的重要性,从中选取属性重要度较高的属性来组成故障诊断决策表,利用可辨识矩阵对决策信息进行求解出属性核,以属性核为标准来构造初始群体,缩减遗传算法的搜索区域,在最后引入基于粗糙逼近精度的修正算子,使算法在正确的解空间上进行,从而使故障属性约简的速度得到提升,进而得到最优的故障属性约简结果;2、由于原ID3算法执行时需要将数据转换成可执行的数据文件,其过程比较复杂,利用SQL语言的高效性和C#语言的灵活性,直接在故障数据库中对故障数据进行分类操作,解决了ID3算法无法对大量故障数据进行操作的缺陷,提高了ID3算法的执行效率,在故障数据库中数据增加时不会对算法的可执行性和效率造成影响,使其具有良好的可扩展性;3、由于Apriori算法在搜索频繁项集时,通常要对故障数据库进行多次的重复扫描和产生大量无用的候选集,针对此问题提出了一种基于矩阵约简的Apriori改进算法,只需扫描一次数据库,将数据库信息转换成布尔矩阵,根据频繁k-项集的性质推出的结论来简化原算法中的剪枝、连接步骤,有效地降低无效候选项集的生成规模,从而提高故障规则获取的效率。本文以液压系统设备故障数据为研究对象,利用数据挖掘算法从中挖掘出所需要的故障匹配规则,与原故障数据进行比对,从中筛选出正确的故障匹配规则,然后利用故障匹配规则、故障属性表征和维修意见组成故障规则库,为液压系统设备故障诊断提供技术支持和理论依据。在相关研究的基础上,在Windows7操作系统下,应用Microsoft Visual Studio 2010开发工具、Oracle10g数据库及其管理系统OEM和面向对象的C#开发语言,设计了一款C/S结构的设备故障诊断系统。最后通过实际生产数据对系统进行测试,该系统满足了设备故障诊断所需的要求。
杨一展[8]（2008）在《数据挖掘技术在故障诊断中的应用研究》文中认为当今生产设备日趋集成化与复杂化。如何及时发现和预测故障并保证设备在工作期间始终安全、高效、可靠地运转,具有重要的研究意义。传统的故障诊断方法存在着诊断对象单一、诊断模型难建立、依赖主观经验、难以获得规则等缺陷,对于故障的多样性、复杂性和隐蔽性往往无能为力。本文针对传统故障诊断的缺陷,深入研究了几种数据挖掘技术,并在故障诊断中应用,以完成对复杂设备的通用、快速、脱离主观经验的故障诊断。本文重点研究了粗糙集理论在故障属性约简中的应用,决策树算法在故障分类中的应用及关联规则挖掘在故障分类中的应用。通过查询与条件属性具有相同分类能力的属性集,改进了粗糙集属性约简算法,解决了其在决策表约简的过程中需要建立辨识矩阵和求取核属性,效率较低的问题;通过利用嵌入式SQL直接对故障数据库进行高效的数据查询与处理,大大提高了ID3算法的效率和可实现性,同时可以使算法具有随元组个数增长的良好的可扩展性;利用数据库查询的方法改进了Apriori算法,使其既能满足事务型数据库又能满足关系型数据库的应用并提高的规则产生的效率,这样就满足了实际诊断的需要。针对复杂设备的故障诊断,本文将三种算法结合,先通过粗糙集对故障属性约简以简化数据库规模,再通过决策树算法的高效性和关联规则算法的全面性相结合,以实现快速全面故障规则的挖掘。最后以此为核心设计了一个故障诊断系统,实现了故障数据的采集、存储、预处理、规则挖掘及故障匹配一系列功能。实验证明该系统能够发现故障属性和故障分类之间的对应关系,自动地实现故障规则库的建立和故障匹配,较好的满足实际故障诊断的需要。
陈雪峰,李继生,王杰[9]（2003）在《分类规则挖掘及其在故障诊断建模中的应用》文中指出探讨了数据挖掘技术中分类模型和算法,提出了基于决策树学习的建模方法,通过实例说明了该技术在故障智能诊断中的应用及优点。
陈世超,崔春雨,张华,马戈,朱凤华,商秀芹,熊刚[10]（2020）在《制造业生产过程中多源异构数据处理方法综述》文中研究指明随着现代制造业向着自动化、信息化、智能化方向快速发展,生产过程中会产生大量的多源异构数据。对多源异构数据的有效处理和深度挖掘可为生产制造者提供更有效的生产调度、设备管理等策略,从而提高生产质量和效率。针对制造业生产过程中多源异构数据的处理方法与技术等进行系统性的综述,首先明确了制造业生产过程多源异构数据内容及分类;其次,阐述了多源异构数据处理中数据采集、数据集成及数据分析各个阶段应用的数据处理方法和技术,并分析了各种方法与技术的优缺点以及应用;最后,对生产过程中多源异构数据处理方法和技术进行总结,指出了现阶段多源异构数据处理方法及技术面临的挑战和发展趋势。
二、分类规则挖掘及其在故障诊断建模中的应用（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、分类规则挖掘及其在故障诊断建模中的应用（论文提纲范文）
（1）基于k近邻与规则挖掘的风电机组故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 风电机组故障诊断研究现状 |
| 1.2.1 风电机组故障诊断方法 |
| 1.2.2 基于数据驱动的风电机组故障诊断方法 |
| 1.3 存在的主要问题 |
| 1.4 本文研究内容 |
| 第2章 变桨距风力发电机模型与故障描述 |
| 2.1 引言 |
| 2.2 风力发电机工作原理 |
| 2.3 FAST风电机组仿真模型 |
| 2.3.1 5MW海上风电机组模型 |
| 2.3.2 数据描述 |
| 2.3.3 传感器与执行器故障描述 |
| 2.4 GW77-1.5MW风力发电机变桨系统描述 |
| 2.4.1 风电机组结构与参数 |
| 2.4.2 电动变桨系统描述 |
| 2.4.3 运行数据获取 |
| 2.4.4 变桨系统故障描述 |
| 2.5 本章小结 |
| 第3章 风电机组数据清洗与模型特征选择方法 |
| 3.1 引言 |
| 3.2 风电机组运行数据清洗方法 |
| 3.2.1 数据清洗整体方案 |
| 3.2.2 k近邻分类算法 |
| 3.2.3 两阶段风电机组数据清洗 |
| 3.3 基于Relief F算法的风电机组监测特征选择 |
| 3.4 实验与分析 |
| 3.4.1 风电机组运行数据清洗 |
| 3.4.2 风电机组有监督状态特征选择 |
| 3.5 本章小结 |
| 第4章 基于动态特征矩阵的加权k近邻风电故障检测 |
| 4.1 引言 |
| 4.2 基于互信息的风电机组动态特征挖掘方法 |
| 4.2.1 风电机组运行监测参数 |
| 4.2.2 特征处理算法 |
| 4.2.3 风电机组动态特征挖掘 |
| 4.3 DFM-Wk NN故障检测方法 |
| 4.3.1 FD-kNN故障检测方法 |
| 4.3.2 组合加权策略 |
| 4.3.3 动态阈值设定 |
| 4.4 实验与分析 |
| 4.4.1 风电机组动态特征挖掘 |
| 4.4.2 FAST仿真模型故障检测 |
| 4.4.3 GW77-1.5MW风电机组变桨系统故障检测 |
| 4.5 本章小结 |
| 第5章 基于FRBCS的风电机组故障规则挖掘方法研究 |
| 5.1 引言 |
| 5.2 基于模糊规则的分类系统 |
| 5.2.1 FRBCS分类原理 |
| 5.2.2 基于智能优化的模糊规则挖掘方法 |
| 5.3 基于多种群量子进化的模糊分类规则挖掘算法 |
| 5.3.1 初始规则生成 |
| 5.3.2 多种群量子编码 |
| 5.3.3 混合更新策略 |
| 5.3.4 矛盾规则重构 |
| 5.4 风电机组状态规则挖掘与运行状态识别 |
| 5.5 实验与分析 |
| 5.5.1 数值仿真实验 |
| 5.5.2 风电机组运行状态识别实验 |
| 5.6 本章小结 |
| 第6章 风电机组潜在故障概率分析与异常变量回溯 |
| 6.1 引言 |
| 6.2 风电机组可解释性故障诊断方案 |
| 6.2.1 可解释性与可解释性模型 |
| 6.2.2 NREL-5MW风电机组可解释性故障分析方案 |
| 6.3 潜在故障概率分析与异常变量回溯方法 |
| 6.3.1 FRBCS故障识别过程分析 |
| 6.3.2 近邻故障规则选择策略 |
| 6.3.3 潜在故障概率推理与异常变量回溯 |
| 6.4 实验与分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（2）变压器状态监测数据质量提升和故障识别方法研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 状态监测数据质量提升研究现状 |
| 1.2.1 状态监测数据质量的影响因素 |
| 1.2.2 异常数据检测研究现状 |
| 1.2.3 异常检测技术在电气工程领域的研究现状 |
| 1.2.4 缺失数据修复研究现状 |
| 1.2.5 缺失值插补技术在电气工程领域的研究现状 |
| 1.3 故障识别方法的研究现状 |
| 1.3.1 故障检测的研究现状 |
| 1.3.2 故障诊断的研究现状 |
| 1.4 本文研究目的及研究内容 |
| 1.4.1 研究目的 |
| 1.4.2 研究内容 |
| 2 基于辅助特征向量和密度聚类的状态监测数据异常检测方法 |
| 2.1 引言 |
| 2.2 变压器状态监测数据的特征 |
| 2.2.1 正常数据的概念漂移 |
| 2.2.2 有效异常数据 |
| 2.2.3 无效异常数据 |
| 2.2.4 状态监测数据的核心假设 |
| 2.3 状态监测数据的预处理 |
| 2.3.1 数据分段 |
| 2.3.2 数据标准化 |
| 2.3.3 辅助特征向量构造 |
| 2.4 基于密度的聚类模型与参数选择方法 |
| 2.4.1 DBSCAN聚类模型 |
| 2.4.2 基于k距离图的DBSCAN模型参数选择方法 |
| 2.4.3 基于“类别数–Eps”曲线的邻域半径参数选择方法 |
| 2.4.4 基于DBSCAN模型的数据聚类流程 |
| 2.5 异常检测流程与性能评估 |
| 2.5.1 基于辅助特征向量与密度聚类的异常检测流程 |
| 2.5.2 异常检测模型的性能评估指标 |
| 2.6 实例分析:变压器油色谱数据的异常检测 |
| 2.6.1 油色谱数据的获取 |
| 2.6.2 数据分段 |
| 2.6.3 实例1:人工数据集的异常检测和性能评估 |
| 2.6.4 实例2:真实数据集的异常检测和性能评估 |
| 2.6.5 实例3:基于多个数据集的异常检测和性能评估 |
| 2.7 小结 |
| 3 基于三层次插补模型的状态监测数据缺失值修复方法 |
| 3.1 引言 |
| 3.2 缺失值分类规则和数据集完整性评价指标 |
| 3.2.1 缺失值分类规则 |
| 3.2.2 数据集完整性评价指标 |
| 3.3 孤立缺失值的插补方法 |
| 3.3.1 一维插值模型 |
| 3.3.2 孤立缺失值的插补流程 |
| 3.4 连续缺失变量的插补方法 |
| 3.4.1 多元线性回归模型 |
| 3.4.2 随机森林回归模型 |
| 3.4.3 k邻近回归模型 |
| 3.4.4 连续缺失变量的插补流程 |
| 3.5 连续缺失样本的插补方法 |
| 3.5.1 长短时记忆网络 |
| 3.5.2 连续缺失样本的插补流程 |
| 3.6 缺失值修复流程与性能评估 |
| 3.6.1 基于三层次插补模型的缺失值修复流程 |
| 3.6.2 基准缺失值插补方法和性能评估指标 |
| 3.7 实例分析1:变压器油色谱数据的缺失值插补 |
| 3.7.1 油色谱数据基本信息 |
| 3.7.2 人工缺失数据集的构造方法 |
| 3.7.3 孤立缺失值的插补 |
| 3.7.4 连续缺失变量的插补 |
| 3.7.5 连续缺失样本的插补 |
| 3.7.6 数据修复效果展示 |
| 3.8 实例分析2:变压器负荷数据的缺失值插补 |
| 3.8.1 基本信息 |
| 3.8.2 孤立和连续缺失值的插补 |
| 3.8.3 连续缺失样本的插补 |
| 3.8.4 数据修复效果展示 |
| 3.9 小结 |
| 4 基于无监督概念漂移识别和动态图嵌入的变压器故障检测方法 |
| 4.1 引言 |
| 4.2 无监督概念漂移识别模型 |
| 4.2.1 余弦相似度 |
| 4.2.2 多元线性回归预测误差 |
| 4.2.3 概念漂移识别规则 |
| 4.2.4 概念漂移识别流程 |
| 4.3 动态图嵌入模型 |
| 4.3.1 相似性矩阵计算 |
| 4.3.2 动态图嵌入模型推导 |
| 4.4 故障检测流程与性能评估 |
| 4.4.1 基于动态图嵌入模型的故障检测流程 |
| 4.4.2 故障检测模型的性能评估指标 |
| 4.5 实例分析1:Tennessee Eastman过程故障检测 |
| 4.5.1 Tennessee Eastman过程简介 |
| 4.5.2 TE过程概念漂移识别 |
| 4.5.3 TE过程故障检测 |
| 4.6 实例分析2:基于油色谱数据的变压器故障检测 |
| 4.6.1 案例(1):概念漂移识别对故障检测结果的影响 |
| 4.6.2 案例(2):数据质量提升对故障检测结果的影响 |
| 4.7 小结 |
| 5 基于关联规则分析的变压器故障概率计算方法 |
| 5.1 引言 |
| 5.2 基于Weibull分布模型的状态量离散和差异化预警值计算方法 |
| 5.2.1 状态量和设备状态的分类规则 |
| 5.2.2 Weibull概率分布模型 |
| 5.2.3 状态量的离散方法 |
| 5.2.4 状态量的差异化预警值计算方法 |
| 5.3 状态量与故障模式之间的关联关系量化 |
| 5.3.1 关联规则 |
| 5.3.2 状态量与故障模式间的关联规则挖掘 |
| 5.3.3 状态量的故障隶属函数构造 |
| 5.3.4 状态量的差异化权重 |
| 5.4 变压器故障概率计算方法 |
| 5.4.1 故障模式的故障发生概率 |
| 5.4.2 设备的故障发生概率 |
| 5.4.3 故障概率计算流程 |
| 5.5 实例分析 |
| 5.5.1 状态量离散和差异化预警值计算 |
| 5.5.2 状态量与故障间的关联规则挖掘 |
| 5.5.3 状态量的故障隶属函数构造 |
| 5.5.4 状态量的重要度计算 |
| 5.5.5 实例1:变压器的故障概率计算与模型性能评估 |
| 5.5.6 实例2:数据质量提升对故障概率计算结果的影响 |
| 5.6 小结 |
| 6 结论与展望 |
| 6.1 主要结论 |
| 6.2 后续研究工作的展望 |
| 参考文献 |
| 附录 |
| A.作者在攻读博士学位期间发表的论文目录 |
| B.作者在攻读博士学位期间参加的科研项目目录 |
| C.作者在攻读博士学位期间参与起草和修订的导则 |
| D.作者在攻读博士学位期间参与编写的专着 |
| E.学位论文数据集 |
| 致谢 |
（3）证据驱动型火电机组状态预警方法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号说明 |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 基于模型的状态监测与预警方法 |
| 1.2.2 基于信号处理的状态监测与预警方法 |
| 1.2.3 基于知识的状态监测与预警方法 |
| 1.3 当前研究中存在的问题 |
| 1.3.1 状态监测及预警方法存在的问题 |
| 1.3.2 证据理论在故障预警领域中应用存在的问题 |
| 1.4 本文的主要研究思路及内容 |
| 1.5 论文主要创新点 |
| 第2章 证据理论及证据分类器 |
| 2.1 引言 |
| 2.2 证据理论 |
| 2.3 融合法则 |
| 2.3.1 TBM与法则 |
| 2.3.2 基于与权函数的谨慎融合法则 |
| 2.3.3 证据融合示例 |
| 2.4 经典证据KNN分类器 |
| 2.4.1 基本原理 |
| 2.4.2 参数选择 |
| 2.5 本章小结 |
| 第3章 设备典型状态挖掘及证据表征方法研究 |
| 3.1 引言 |
| 3.2 特征选择与提取 |
| 3.3 基于DPC的设备典型状态挖掘 |
| 3.3.1 设备典型状态挖掘思路 |
| 3.3.2 聚类算法 |
| 3.3.3 基于DPC的设备典型状态挖掘 |
| 3.4 设备运行状态的证据表征 |
| 3.5 基于动态DBS的设备典型样本选择方法 |
| 3.5.1 密度偏差抽样方法 |
| 3.5.2 动态密度偏差抽样方法 |
| 3.5.3 动态DBS性能分析及参数选择 |
| 3.6 实际应用算例 |
| 3.6.1 一次风机运行状态挖掘案例 |
| 3.6.2 高压加热器运行状态挖掘案例 |
| 3.7 本章小结 |
| 第4章 基于证据分类器的状态监测与预警方法研究 |
| 4.1 引言 |
| 4.2 正常运行数据驱动的异常检测方法 |
| 4.2.1 主元分析法 |
| 4.2.2 FD-kNN故障检测方法 |
| 4.3 自适应折现因子证据分类器EKNN |
| 4.3.1 EKNN的“距离抑制分类”特性 |
| 4.3.2 自适应折现因子 |
| 4.4 基于改进EKNN的状态监测及预警方法 |
| 4.4.1 基本思想及框架 |
| 4.4.2 基于改进EKNN的状态监测及预警 |
| 4.4.3 预警阈值选择 |
| 4.4.4 留一法参数选择 |
| 4.4.5 邻域快速搜索方法 |
| 4.4.6 数值模拟示例分析 |
| 4.5 CMEW-EKNN在火电机组设备上的实际应用 |
| 4.5.1 实际应用Ⅰ:一次风机 |
| 4.5.2 实际应用Ⅱ:高压给水加热器 |
| 4.5.3 计算结果及讨论 |
| 4.6 本章小结 |
| 第5章 基于近邻残差的预警原因反演方法研究 |
| 5.1 引言 |
| 5.2 基于证据反演方法的异常变量定位 |
| 5.2.1 k近邻精准搜索 |
| 5.2.2 异常变量定位 |
| 5.2.3 参数选择 |
| 5.3 基于近邻残差及专家知识的预警原因诊断 |
| 5.3.1 近邻残差衍变趋势分析 |
| 5.3.2 基于专家知识的预警原因诊断 |
| 5.4 实际应用案例 |
| 5.4.1 实际应用Ⅰ:一次风机 |
| 5.4.2 实际应用Ⅱ:高压给水加热器 |
| 5.5 本章小结 |
| 第6章 基于仿真建模的设备状态监测及预警算法验证 |
| 6.1 引言 |
| 6.2 仿真对象介绍 |
| 6.2.1 高压加热器 |
| 6.2.2 凝汽器 |
| 6.3 高压加热器仿真建模 |
| 6.3.1 高压加热器动态数学模型 |
| 6.3.2 高加水位自动控制 |
| 6.3.3 高压加热器Simulink仿真 |
| 6.3.4 高加全工况仿真及异常状态仿真 |
| 6.4 凝汽器仿真建模 |
| 6.4.1 凝汽器动态数学模型 |
| 6.4.2 凝汽器全工况仿真及异常状态仿真 |
| 6.5 基于仿真结果的状态监测、预警及诊断算法验证 |
| 6.5.1 高压加热器异常状态检测 |
| 6.5.2 凝汽器异常状态检测 |
| 6.6 本章小结 |
| 第7章 状态预警方法在火电机组设备上的实际应用 |
| 7.1 引言 |
| 7.2 系统软件集成技术及应用 |
| 7.3 平台设计及集成方案 |
| 7.3.1 硬件平台架构 |
| 7.3.2 软件平台架构 |
| 7.4 现场实际应用情况 |
| 7.5 设备状态证据库更新 |
| 7.6 本章小结 |
| 第8章 论文总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 作者在攻读博士学位期间研究成果 |
（4）基于时序数据的设备故障检测与故障因子分析方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 课题来源 |
| 1.3 国内外研究现状 |
| 1.3.1 时间序列特征工程技术相关研究 |
| 1.3.2 故障检测技术相关研究 |
| 1.3.3 故障因子分析算法研究 |
| 1.4 论文的研究内容 |
| 1.5 论文组织结构 |
| 第二章 项目背景与相关技术介绍 |
| 2.1 序列挖掘的应用需求 |
| 2.2 工业设备时序数据特点 |
| 2.3 工业序列数据挖掘流程 |
| 2.4 多分类模型 |
| 2.5 随机森林算法 |
| 2.5.1 Bagging集成学习方法 |
| 2.5.2 决策树算法原理 |
| 2.5.3 随机森林原理及重要参数 |
| 2.6 基于关联规则的分类算法 |
| 2.6.1 基本概念 |
| 2.6.2 分类关联规则挖掘 |
| 2.6.3 CBA分类器构建 |
| 2.7 本章小结 |
| 第三章 时序数据特征工程 |
| 3.1 问题描述 |
| 3.2 数据预处理 |
| 3.2.1 数据缺失与噪音的处理 |
| 3.2.2 时间序列聚合 |
| 3.2.3 数据离散化 |
| 3.2.4 数据标准化 |
| 3.2.5 特征融合 |
| 3.2.6 类别不平衡问题 |
| 3.3 多分类问题的解决策略 |
| 3.4 仿真实验及分析 |
| 3.5 本章小结 |
| 第四章 基于随机森林和WCBA的故障因子分析模型 |
| 4.1 问题描述 |
| 4.2 基于随机森林的单因子分析模型 |
| 4.2.1 随机森林算法 |
| 4.2.2 故障因子分析原理 |
| 4.2.3 故障因子相关性分析 |
| 4.3 故障因子关联性分析 |
| 4.3.1 数据准备 |
| 4.3.2 分类关联规则构建(CBA-RG) |
| 4.3.3 故障检测分类器构建(CBA-CB) |
| 4.4 仿真实验及分析 |
| 4.5 本章小结 |
| 第五章 仿真实验与性能分析 |
| 5.1 实验方案 |
| 5.2 实验环境 |
| 5.3 实验数据准备 |
| 5.3.1 仿真数据 |
| 5.3.2 真实工业数据集 |
| 5.4 性能评估和指标 |
| 5.5 实验结果与分析 |
| 5.5.1 多分类模型的效果验证 |
| 5.5.2 时序数据特征工程 |
| 5.5.3 基于随机森林的故障因子分析模型 |
| 5.5.4 WCBA故障因子关联性分析模型 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表论文 |
| 攻读学位期间参加的科研项目 |
| 致谢 |
（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）基于数据挖掘方法的工艺知识发现及粗糙度预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 工艺规划和工艺知识研究现状 |
| 1.2.2 加工质量预测研究现状 |
| 1.2.3 数据挖掘及其在制造过程中的应用研究现状 |
| 1.3 论文主要内容 |
| 第二章 制造系统工艺知识的关联规则挖掘 |
| 2.1 工艺知识挖掘 |
| 2.2 关联规则挖掘的基本概念 |
| 2.3 基于混沌引力搜索算法的关联规则挖掘 |
| 2.3.1 规则编码 |
| 2.3.2 适应度函数 |
| 2.3.3 冗余规则评价 |
| 2.3.4 算法流程 |
| 2.4 规则挖掘实例 |
| 2.4.1 关联规则挖掘算例介绍 |
| 2.4.2 参数设置 |
| 2.4.3 结果分析与比较 |
| 2.5 本章小结 |
| 第三章 加工表面质量的分类规则挖掘 |
| 3.1 表面粗糙度的影响因素 |
| 3.2 分类规则挖掘 |
| 3.2.1 分类规则挖掘方法概述 |
| 3.2.2 基于进化算法的分类规则挖掘 |
| 3.3 基于蜻蜓算法的规则抽取:DA-RuleMiner |
| 3.3.1 规则编码 |
| 3.3.2 适应度函数 |
| 3.3.3 算法流程 |
| 3.4 实验验证 |
| 3.4.1 算例介绍 |
| 3.4.2 参数设置 |
| 3.4.3 结果分析与比较 |
| 3.5 本章小结 |
| 第四章 基于混合学习模型的加工表面质量预测与诊断 |
| 4.1 表面粗糙度的预测 |
| 4.2 基于规则分类和KBANN的混合学习模型 |
| 4.3 混合学习模型的建模过程 |
| 4.3.1 KBANN的算法流程 |
| 4.3.2 混合模型的建模步骤 |
| 4.4 实验验证 |
| 4.4.1 网络构建与训练 |
| 4.4.2 结果分析与比较 |
| 4.5 本章小结 |
| 第五章 基于深度学习的加工表面粗糙度预测 |
| 5.1 机器学习在粗糙度预测建模中的应用 |
| 5.2 深度学习表示模型和网络结构 |
| 5.2.1 深度置信网络模型 |
| 5.2.2 堆栈降噪自编码网络模型 |
| 5.3 深度学习建模预测方法 |
| 5.3.1 使用深度学习模型预测表面粗糙度 |
| 5.3.2 网络训练过程 |
| 5.4 实验验证 |
| 5.4.1 实验数据 |
| 5.4.2 参数设置 |
| 5.4.3 结果分析与精度对比 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录1 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（7）数据挖掘技术在故障诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第1章 绪论 |
| 1.1 课题来源及研究目的意义 |
| 1.2 相关技术发展概况 |
| 1.2.1 数据挖掘技术研究概况 |
| 1.2.2 故障诊断技术研究概况 |
| 1.2.3 数据挖掘技术与故障诊断结合的研究概况 |
| 1.3 主要研究内容 |
| 1.4 论文安排 |
| 第2章 基于粗糙集理论的故障数据预处理 |
| 2.1 引言 |
| 2.2 粗糙集 |
| 2.2.1 粗糙集相关概念 |
| 2.2.2 可辨识矩阵 |
| 2.3 基于改进遗传算法的属性约简算法 |
| 2.3.1 遗传算法 |
| 2.3.2 基于粗糙逼近精度的属性重要度 |
| 2.3.3 推论及证明 |
| 2.3.4 基于粗糙集理论的遗传算法 |
| 2.3.5 算法分析 |
| 2.3.6 信息约简 |
| 2.4 本章小结 |
| 第3章 基于决策树理论的故障数据分类 |
| 3.1 引言 |
| 3.2 改进的ID3算法 |
| 3.2.1 决策树理论 |
| 3.2.2 决策树ID3算法 |
| 3.2.3 ID3算法执行过程分析 |
| 3.2.4 改进思路及算法执行过程描述 |
| 3.2.5 改进ID3算法的性能分析 |
| 3.2.6 故障信息分类 |
| 3.3 本章小结 |
| 第4章 基于关联规则算法的故障规则获取 |
| 4.1 引言 |
| 4.2 Apriori算法的改进 |
| 4.2.1 约简定理证明 |
| 4.2.2 改进的Apriori算法 |
| 4.2.3 算法分析 |
| 4.2.4 挖掘结果分析 |
| 4.2.5 故障规则的获取 |
| 4.3 本章小结 |
| 第5章 基于数据挖掘的故障诊断系统设计 |
| 5.1 引言 |
| 5.2 系统架构 |
| 5.3 系统流程及整体功能设计 |
| 5.4 各部分相关技术介绍 |
| 5.4.1 数据库设计 |
| 5.4.2 故障诊断算法的实现过程 |
| 5.4.3 故障匹配 |
| 5.5 实验结果分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
（8）数据挖掘技术在故障诊断中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题来源及研究的目的和意义 |
| 1.2 国内外故障诊断领域的研究现状 |
| 1.3 本文研究的主要内容 |
| 第二章 故障诊断中的数据挖掘技术 |
| 2.1 故障诊断简介 |
| 2.1.1 故障诊断技术与主要分类 |
| 2.1.2 故障诊断的基本模型 |
| 2.2 数据挖掘技术简介 |
| 2.2.1 数据挖掘的定义 |
| 2.2.2 数据挖掘的发展 |
| 2.2.3 数据挖掘的一般步骤 |
| 2.2.4 数据挖掘的任务及分类 |
| 2.3 故障诊断中数据挖掘技术的选择 |
| 2.4 本章小结 |
| 第三章 粗糙集理论在故障诊断中的应用研究 |
| 3.1 粗糙集理论概述 |
| 3.1.1 知识和不可分辨关系 |
| 3.1.2 粗糙集定义及相关概念 |
| 3.2 粗糙集在决策表约简中的应用 |
| 3.2.1 知识表达系统与决策表 |
| 3.2.2 约简与核 |
| 3.2.3 粗糙集对属性约简的一般方法 |
| 3.3 改进的粗糙集属性约简算法及其在故障决策表约简中的应用 |
| 3.3.1 改进的粗糙集属性约简算法 |
| 3.3.2 改进的粗糙集属性约简算法在故障决策表约简中的应用 |
| 3.3.3 改进粗糙集属性约简算法的性能分析 |
| 3.4 本章小结 |
| 第四章 决策树理论在故障诊断中的应用研究 |
| 4.1 数据分类简介 |
| 4.1.1 分类的概念 |
| 4.1.2 分类模型的评估标准 |
| 4.1.3 分类模型的评估 |
| 4.2 决策树基本理论 |
| 4.2.1 基本概念 |
| 4.2.2 决策树算法ID3 介绍 |
| 4.2.3 由判定树提取分类规则 |
| 4.3 改进的ID3 算法在故障分类中的应用 |
| 4.3.1 影响原有ID3 算法的3 个因素 |
| 4.3.2 算法改进思路 |
| 4.3.3 改进的ID3 算法 |
| 4.3.4 改进的ID3 算法在故障分类中的应用 |
| 4.3.5 改进的ID3 算法的性能分析 |
| 4.4 本章小结 |
| 第五章 关联规则挖掘在故障诊断中的应用 |
| 5.1 关联规则概述 |
| 5.1.1 基本概念 |
| 5.1.2 由频繁项集产生关联规则 |
| 5.2 改进的APRIORI 算法在故障诊断分类中的应用 |
| 5.2.1 Apriori 算法的缺陷 |
| 5.2.2 算法改进思路 |
| 5.2.3 改进的Apriori 算法 |
| 5.2.4 改进的Apriori 算法在故障分类中的应用 |
| 5.3 本章小结 |
| 第六章 基于数据挖掘的故障诊断系统的设计 |
| 6.1 系统的组成介绍 |
| 6.2 各部分相关技术介绍 |
| 6.2.1 数据采集与数据库建立 |
| 6.2.2 数据预处理 |
| 6.2.3 故障诊断算法的实现 |
| 6.2.4 故障匹配 |
| 6.3 仿真试验与结果分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 致谢 |
| 参考文献 |
| 研究成果 |
（9）分类规则挖掘及其在故障诊断建模中的应用（论文提纲范文）
| 1 数据挖掘技术与故障诊断的建模 |
| 2 分类模型 |
| 3 基于决策树学习的分类模型 |
| 3.1 决策树的概念 |
| 3.2 决策树学习算法 |
| 3.3 决策树提取分类规则 |
| 3.4 应用实例 |
| 4 总结 |
（10）制造业生产过程中多源异构数据处理方法综述（论文提纲范文）
| 1 引言 |
| 2 制造业生产过程中的多源异构数据 |
| 3 制造业生产过程中多源异构数据处理 |
| 3.1 数据采集 |
| 3.2 数据集成 |
| 3.2.1 数据存储管理 |
| 3.2.2 数据清洗与转换 |
| 3.2.3 数据降维 |
| 3.3 数据分析 |
| 3.3.1 关联分析 |
| 3.3.2 分类分析 |
| 3.3.3 聚类分析 |
| 4 结束语 |
四、分类规则挖掘及其在故障诊断建模中的应用（论文参考文献）
- [1]基于k近邻与规则挖掘的风电机组故障诊断研究[D]. 钱小毅. 沈阳工业大学, 2020(07)
- [2]变压器状态监测数据质量提升和故障识别方法研究[D]. 刘航. 重庆大学, 2020
- [3]证据驱动型火电机组状态预警方法及其应用研究[D]. 陈小龙. 东南大学, 2019
- [4]基于时序数据的设备故障检测与故障因子分析方法研究[D]. 关凤伟. 广东工业大学, 2019(02)
- [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]基于数据挖掘方法的工艺知识发现及粗糙度预测研究[D]. 寇智聪. 上海交通大学, 2019(06)
- [7]数据挖掘技术在故障诊断中的应用[D]. 于博文. 东北石油大学, 2015(04)
- [8]数据挖掘技术在故障诊断中的应用研究[D]. 杨一展. 西安电子科技大学, 2008(03)
- [9]分类规则挖掘及其在故障诊断建模中的应用[J]. 陈雪峰,李继生,王杰. 天津轻工业学院学报, 2003(04)
- [10]制造业生产过程中多源异构数据处理方法综述[J]. 陈世超,崔春雨,张华,马戈,朱凤华,商秀芹,熊刚. 大数据, 2020(05)