基于证据推理规则和粗糙集的分类器设计及其在故障诊断中的应用

声明

第1章 绪论

1.1 研究背景及意义

1.2 工业设备故障诊断方法综述

1.2.1 故障诊断方法的分类

1.2.2 定性分析的方法

1.2.3 基于解析模型的方法

1.2.4 数据驱动的方法

1.3 本文研究内容及其结构安排

第2章 不确定信息融合理论基础

2.1 引言

2.2 Dempster-Shafer证据理论

2.3 证据推理（ER）规则

2.4 粗糙集理论

2.5 本章小结

第3章 基于证据推理规则和粗糙集的广义分类器设计方法

3.1 引言

3.2 基于样本特征参考值投点的参考证据矩阵获取方法

3.3 基于证据不确定度的参考证据矩阵参数优化方法

3.4 基于粗糙集和证据不确定度的证据可靠性因子获取方法

3.5 基于ER规则的证据融合与分类决策

3.6 分类器算法的实施流程

3.7 UCI数据集下的分类实验及分类效果对比分析

3.7.1 Seeds数据集的分类实例分析

3.7.2 基于五种基准数据集的分类对比实验

3.7.3 分类实验效果的统计分析

3.8 本章小结

第4章 完备样本条件下的旋转机械故障诊断方法

4.1 引言

4.2 旋转机械故障诊断案例分析

4.3 基于广义分类器的旋转机械故障诊断方法

4.3.1 完备样本条件下的参考证据矩阵获取方法

4.3.2 基于ER规则的融合决策与参数优化

4.4 实验及对比分析

4.5 本章小结

第5章 不完备样本条件下的旋转机械故障诊断方法

5.1 引言

5.2 不完备样本处理方法介绍

5.3 不完备样本条件下的旋转机械故障诊断模型构建

5.3.1 不完备样本条件下的参考证据矩阵获取方法

5.3.2 不完备样本条件下的可靠性因子获取方法

5.3.3 基于ER规则的不完备样本条件下的融合决策

5.4 实验及对比分析

5.5 本章小结

第6章 总结与展望

6.1 研究总结

6.2 工作展望

致谢

参考文献

附录