| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-22页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 故障检测与诊断的主要内容 | 第10-13页 |
| 1.3 数据驱动的故障检测与诊断研究现状 | 第13-19页 |
| 1.3.1 基于机器学习的方法 | 第14-15页 |
| 1.3.2 基于信号处理的方法 | 第15页 |
| 1.3.3 基于信息融合的方法 | 第15-16页 |
| 1.3.4 基于粗糙集的方法 | 第16-17页 |
| 1.3.5 基于统计分析的方法 | 第17-19页 |
| 1.4 本文的创新点 | 第19-20页 |
| 1.5 论文结构 | 第20-22页 |
| 第二章 可预测元分析基本原理 | 第22-28页 |
| 2.1 引言 | 第22页 |
| 2.2 主元分析（PCA） | 第22-24页 |
| 2.3 可预测元分析（ForeCA） | 第24-27页 |
| 2.3.1 可预测元分析（ForeCA）基本原理 | 第24-27页 |
| 2.3.2 可预测元分析（ForeCA）特性分析 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 核可预测元分析算法及其特性分析 | 第28-39页 |
| 3.1 引言 | 第28页 |
| 3.2 核方法介绍 | 第28-30页 |
| 3.3 核可预测元分析（KForeCA）算法 | 第30-36页 |
| 3.3.1 KForeCA基本思想 | 第30页 |
| 3.3.2 白化特征空间中的数据 | 第30-33页 |
| 3.3.3 功率谱估计算法 | 第33-34页 |
| 3.3.4 EM – LIKE算法 | 第34-36页 |
| 3.3.5 获取K维可预测元子空间 | 第36页 |
| 3.4 核可预测元分析特性分析 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于KFORECA算法的故障检测 | 第39-63页 |
| 4.1 引言 | 第39页 |
| 4.2 基于KForeCA的故障检测模型 | 第39-44页 |
| 4.2.1 故障检测模型建立 | 第39-42页 |
| 4.2.2 监控统计量控制限的确定 | 第42-44页 |
| 4.3 仿真算例及结果分析 | 第44-52页 |
| 4.3.1 TE仿真平台 | 第45-48页 |
| 4.3.2 基于ForeCA的故障检测性能分析 | 第48-52页 |
| 4.4 基于MCUSUM-KForeCA的小特征故障检测模型 | 第52-55页 |
| 4.4.1 CUSUM控制图 | 第53页 |
| 4.4.2 故障检测模型的建立 | 第53-55页 |
| 4.5 仿真算例及及结果分析 | 第55-59页 |
| 4.6 两种故障检测模型的对比分析 | 第59-62页 |
| 4.7 本章小结 | 第62-63页 |
| 第五章 基于KFORECA-SVM的故障诊断 | 第63-75页 |
| 5.1 引言 | 第63-64页 |
| 5.2 支持向量机分类原理 | 第64-66页 |
| 5.3 故障诊断模型的建立 | 第66-67页 |
| 5.4 仿真算例及结果分析 | 第67-74页 |
| 5.4.1 单故障情形 | 第67-71页 |
| 5.4.2 多故障情形 | 第71-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-78页 |
| 6.1 研究工作总结 | 第75-76页 |
| 6.2 未来工作展望 | 第76-78页 |
| 参考文献 | 第78-84页 |
| 致谢 | 第84-85页 |
| 攻读硕士学位期间已发表或录用的论文 | 第85-87页 |