| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10页 |
| 1.2 过程监测与故障诊断概述 | 第10-16页 |
| 1.2.1 过程监测与故障诊断的原理 | 第10-12页 |
| 1.2.2 过程监测的基本方法 | 第12-16页 |
| 1.3 基于多元统计方法的过程监测及故障诊断的应用及发展 | 第16-17页 |
| 1.4 本文主要内容 | 第17-18页 |
| 第2章 基于小波变换的信号去噪 | 第18-28页 |
| 2.1 小波变换基础知识 | 第18-20页 |
| 2.2 多尺度分析 | 第20-21页 |
| 2.3 小波变换阈值法去噪 | 第21-25页 |
| 2.3.1 小波基的选择 | 第22-23页 |
| 2.3.2 阈值的选取和量化 | 第23-25页 |
| 2.4 小波去噪的在线实现 | 第25-26页 |
| 2.5 仿真研究 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 基于小波去噪与主元分析的过程监测 | 第28-40页 |
| 3.1 基于PCA的过程监测 | 第28-33页 |
| 3.1.1 PCA原理 | 第28-31页 |
| 3.1.2 主元数目的选取方法 | 第31-32页 |
| 3.1.3 多变量统计控制图 | 第32-33页 |
| 3.2 基于小波去噪与PCA的过程监测 | 第33-34页 |
| 3.3 仿真研究 | 第34-39页 |
| 3.3.1 TE过程描述 | 第34-36页 |
| 3.3.2 仿真结果及讨论 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于小波去噪与PCA-ICA的过程监测 | 第40-56页 |
| 4.1 独立成分分析 | 第40-46页 |
| 4.1.1 ICA的模型 | 第40-41页 |
| 4.1.2 ICA分析的估计原理 | 第41-45页 |
| 4.1.3 ICA算法 | 第45-46页 |
| 4.2 基于ICA的过程监测 | 第46-48页 |
| 4.2.1 监控统计量及其控制限的求取 | 第46-48页 |
| 4.2.2 监控流程 | 第48页 |
| 4.3 基于小波去噪与PCA-ICA的过程监测方法 | 第48-50页 |
| 4.4 仿真研究 | 第50-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第5章 基于子空间混合相似度的故障诊断 | 第56-68页 |
| 5.1 基于PCA特征子空间距离相似度的故障诊断 | 第56-59页 |
| 5.1.1 PCA的空间意义 | 第56-57页 |
| 5.1.2 PCA特征子空间的距离相似度 | 第57-58页 |
| 5.1.3 基于PCA特征子空间距离相似度的故障诊断 | 第58-59页 |
| 5.2 基于ICA子空间余弦相似度的故障诊断 | 第59-60页 |
| 5.3 基于PCA与ICA子空间混合相似度的故障诊断 | 第60-61页 |
| 5.4 仿真研究 | 第61-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-78页 |
| 附录 | 第78-82页 |
| 作者攻读硕士期间发表论文 | 第82页 |
