故障诊断中的数据挖掘【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

故障诊断中的数据挖掘PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 液体火箭发动机故障检测和诊断的进展4

1.1 基于信号分析的故障检测与诊断4

1.1.1 早期的故障检测算法4

1.1.2 振动信号的监测5

1.1.3 羽流光谱技术6

1.2 基于模型的故障检测与诊断6

1.2.1 基于信号本身结构模型的故障检测与诊断7

1.2.2 基于灰色理论的故障检测与诊断7

1.2.3 基于数学模型的故障检测与诊断7

1.3 基于人工智能的故障检测与诊断9

1.3.1 模式识别方法9

1.3.2 专家系统方法10

1.3.3 神经网络方法11

1.3.4 定性推理方法13

1.3.5 信息融合方法14

1.3.6 其他人工智能方法14

1.4 小结15

参考文献17

第2章 故障诊断领域中数据挖掘技术的进展19

2.1 引言19

2.2 数据挖掘技术的应用实例22

2.3 数据挖掘技术在故障诊断和工程数据方面的应用23

2.4 小结30

参考文献30

第3章 故障检测和诊断中数据挖掘策略和数据预处理37

3.1 数据挖掘处理过程模型的选择37

3.2 数据挖掘方法选择和数据分析39

3.3 可用于故障检测和诊断的数据挖掘方法46

3.3.1 分类方法47

3.3.2 孤立点分析（Isolated point）50

3.3.3 关联规则挖掘（Association rules）50

3.3.4 时间序列分析（Time series analysis）51

3.3.5 关于火箭发动机中的数据挖掘方法的一些讨论51

3.4 数据预处理52

3.4.1 数据预处理的基本环节53

3.4.2 液体火箭发动机试车数据预处理实例56

3.5 小结59

参考文献59

第4章 基于粗糙集理论的故障检测和诊断61

4.1 引言61

4.2 粗糙集的理论基础62

4.2.1 信息表知识表达系统63

4.2.2 决策表和可辨识矩阵64

4.2.3 决策规则的表示65

4.3 决策表属性约简66

4.3.1 数据预处理67

4.3.2 决策表属性约简的必要性67

4.3.3 决策表属性约简算法68

4.4 基于粗糙集的液体火箭发动机故障特征参数选择69

4.4.1 利用仿真数据检查属性约简选择故障特征参数的适用性71

4.4.2 利用属性约简选择发动机试车数据的故障特征参数75

4.5 决策表值约简78

4.6 基于粗糙集的液体火箭发动机故障诊断实例81

4.6.1 利用仿真数据检查值约简诊断故障的适用性81

4.6.2 利用值约简诊断发动机试车数据故障85

4.7 小结88

参考文献88

第5章 基于关联规则的故障检测和诊断90

5.1 引言90

5.2 关联规则的理论基础91

5.2.1 关联规则的基本概念92

5.2.2 关联规则的分类93

5.2.3 关联规则的挖掘过程94

5.3 Apriori算法94

5.4 利用关联规则检测液体火箭发动机起动／关机过程的故障96

5.5 小结101

参考文献101

第6章 基于关联规则分类技术的故障检测和诊断103

6.1 引言103

6.2 基于关联规则的分类技术104

6.2.1 基本概念104

6.2.2 CBA-RG算法106

6.2.3 用于关联规则挖掘的约束107

6.3 利用CBA技术检测液体火箭发动机的稳态故障108

6.3.1 属性编码108

6.3.2 数据预处理109

6.3.3 重要的约束110

6.3.4 基于关联规则分类技术的挖掘110

6.3.5 故障检测111

6.3.6 评述112

6.4 小结113

参考文献114

第7章 基于数值型关联规则的故障诊断115

7.1 引言115

7.2 数值型关联规则相关知识116

7.2.1 关联规则介绍116

7.2.2 不产生候选项集的关联规则算法FP-Growth117

7.2.3 数值型关联规则122

7.3 应用实例126

7.3.1 模糊处理126

7.3.2 连续属性的离散化127

7.3.3 利用FP-Growth算法挖掘频繁项集130

7.4 小结135

参考文献135

第8章 基于决策树方法的故障检测和诊断138

8.1 引言138

8.2 决策树分类算法139

8.2.1 决策树基本算法139

8.2.2 ID3算法141

8.2.3 C4.5算法143

8.2.4 CART算法145

8.2.5 SLIQ算法147

8.2.6 SPRINT算法151

8.2.7 PUBLIC算法153

8.2.8 Rain Forest算法154

8.2.9 ID5R算法155

8.3 故障检测和诊断策略156

8.4 实例分析157

8.4.1 数据预处理158

8.4.2 发动机热试车数据挖掘158

8.4.3 故障仿真数据的挖掘验证162

8.4.4 评述164

8.5 决策树方法的一些研究进展164

8.5.1 结合其他算法提高决策树的精度165

8.5.2 处理大型数据集的并行机制167

8.5.3 多分类器组合决策树分类算法168

8.5.4 形成新的决策树算法169

8.6 决策树方法的研究展望172

8.7 小结173

参考文献174

第9章 基于支持向量机的故障检测和诊断177

9.1 引言177

9.2 支持向量机分类机理178

9.2.1 线性可分情形179

9.2.2 非线性可分情形181

9.2.3 多类支持向量机183

9.3 故障检测和诊断策略188

9.4 数据挖掘实例191

9.4.1 数据准备191

9.4.2 热试车数据挖掘与分析191

9.4.3 评述193

9.4.4 仿真数据的挖掘验证与分析194

9.4.5 支持向量机方法的进一步讨论195

9.5 支持向量机的一些研究进展196

9.5.1 SVM的研究进展196

9.5.2 SVM的发展趋势201

9.6 小结203

参考文献203

第10章 结合动态时间弯曲与决策树方法的故障检测和诊断203

10.1 引言205

10.2 动态时间弯曲的相关概念207

10.2.1 动态时间弯曲方法的描述207

10.2.2 弯曲路径的求解210

10.2.3 DTW算法伪代码211

10.3 故障检测和诊断策略212

10.4 故障检测和诊断实例213

10.4.1 数据准备213

10.4.2 基于热试车数据的故障检测和诊断214

10.4.3 基于仿真数据的故障检测和诊断217

10.4.4 评述217

10.5 小结218

参考文献219

第11章 基于贝叶斯方法的故障检测和诊断220

11.1 引言220

11.2 基本概念220

11.2.1 贝叶斯定理221

11.2.2 贝叶斯假设222

11.3 贝叶斯分类器223

11.3.1 朴素贝叶斯分类器223

11.3.2 贝叶斯网络225

11.3.3 TAN分类器228

11.4 应用实例230

11.4.1 数据预处理230

11.4.2 利用贝叶斯分类器进行故障分类231

11.4.3 利用仿真数据进行挖掘验证236

11.5 小结238

参考文献238

第12章 故障诊断表决模块与软件集成240

12.1 数据挖掘软件的发展情况240

12.2 系统的软件实现242

12.3 液体火箭发动机故障检测和诊断数据挖掘系统介绍243

12.3.1 系统简介243

12.3.2 故障诊断表决模块249

12.4 小结251

参考文献251