基于支持向量机技术的复杂产品制造过程故障诊断方法研究
| 中文摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 复杂产品制造过程故障诊断概述 | 第10-15页 |
| 1.2.1 多元过程故障诊断 | 第11-14页 |
| 1.2.2 多阶段过程故障诊断 | 第14-15页 |
| 1.3 论文的结构与研究内容 | 第15-17页 |
| 第二章 基于成分分析的故障特征选择 | 第17-25页 |
| 2.1 特征提取方法 | 第17-19页 |
| 2.2 ICA算法理论 | 第19-22页 |
| 2.2.1 ICA的数学模型 | 第19页 |
| 2.2.2 非高斯性测量方法 | 第19-21页 |
| 2.2.3 ICA的数据预处理 | 第21-22页 |
| 2.3 基于FastICA的故障特征提取 | 第22-23页 |
| 2.3.1 基于极大化非高斯性的FasICA | 第22-23页 |
| 2.3.2 独立成分个数选取 | 第23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 基于SVM的高维过程故障诊断 | 第25-37页 |
| 3.1 SVM及其优化算法 | 第25-29页 |
| 3.1.1 支持向量机原理 | 第26-28页 |
| 3.1.2 粒子群优化算法 | 第28-29页 |
| 3.2 基于FastICA-SVM的故障诊断 | 第29-31页 |
| 3.3 模型模拟实验及分析 | 第31-34页 |
| 3.3.1 TE过程 | 第31-34页 |
| 3.3.2 实验结果 | 第34页 |
| 3.4 本章小结 | 第34-37页 |
| 第四章 基于SVM的多阶段过程故障诊断 | 第37-49页 |
| 4.1 多阶段过程数学模型 | 第37-40页 |
| 4.2 基于SVM的多阶段过程故障诊断 | 第40-43页 |
| 4.2.1 模式匹配方法 | 第40-42页 |
| 4.2.2 SVM算法诊断模型 | 第42-43页 |
| 4.3 试验及分析 | 第43-48页 |
| 4.3.1 实验数据产生 | 第43-44页 |
| 4.3.2 实验结果分析 | 第44-48页 |
| 4.4 本章小结 | 第48-49页 |
| 总结与展望 | 第49-51页 |
| 总结 | 第49页 |
| 展望 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 发表论文和参加科研情况说明 | 第57-59页 |
| 致谢 | 第59页 |
