| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-16页 |
| ·课题研究的背景及意义 | 第9页 |
| ·基于数据驱动的故障检测与诊断的分类方法 | 第9-11页 |
| ·基于统计分析的故障检测与诊断方法的研究现状 | 第11-14页 |
| ·课题研究的主要内容及论文结构 | 第14-16页 |
| 第2章 基于独立成分分析的故障检测方法的研究 | 第16-32页 |
| ·独立成分分析基本理论 | 第16页 |
| ·基于独立成分分析的故障检测方法研究 | 第16-24页 |
| ·独立成分分析的预处理方法 | 第16-17页 |
| ·基于非高斯性最大化原则的独立成分分析方法 | 第17-23页 |
| ·基于峭度的快速ICA算法 | 第19-21页 |
| ·基于负熵的快速ICA算法 | 第21-23页 |
| ·基于独立成分分析的故障检测算法步骤 | 第23-24页 |
| ·田纳西-伊斯曼过程描述 | 第24-27页 |
| ·实验研究 | 第27-31页 |
| ·信号仿真实验研究 | 第27-30页 |
| ·TE Benchmark实验研究 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第3章 基于鲁棒独立成分分析和支持向量机(SVMs)的故障检测与分类方法的研究 | 第32-57页 |
| ·基于小波包去噪的数据预处理方法 | 第32-35页 |
| ·小波包定义 | 第32-34页 |
| ·小波包的算法 | 第34页 |
| ·基于小波包分解系数收缩的去噪算法研究 | 第34-35页 |
| ·基于小波包去噪的鲁棒独立成分分析方法(RobustICA) | 第35-37页 |
| ·基于峭度的鲁棒独立成分分析基本理论 | 第35-36页 |
| ·基于小波包去噪鲁棒独立成分分析算法 | 第36-37页 |
| ·基于支持向量机的故障分类方法 | 第37-42页 |
| ·支持向量机基本理论 | 第37-41页 |
| ·基于多类SVMs的分类方法 | 第41-42页 |
| ·基于鲁棒独立成分分析和支持向量机的故障检测与分类算法步骤 | 第42-44页 |
| ·实验研究 | 第44-56页 |
| ·信号仿真实验研究 | 第44-50页 |
| ·SVMs仿真实验研究 | 第50页 |
| ·TE Benchmark实验研究 | 第50-56页 |
| ·本章小结 | 第56-57页 |
| 第4章 基于鲁棒核独立成分分析的故障检测方法的研究 | 第57-76页 |
| ·KPCA基本理论 | 第57-61页 |
| ·核方法概述 | 第57-58页 |
| ·核函数的特点及分类 | 第58-59页 |
| ·KPCA方法 | 第59-61页 |
| ·基于鲁棒核独立成分分析的故障检测方法研究 | 第61-67页 |
| ·基于峭度的鲁棒核独立成分分析基本理论 | 第61-64页 |
| ·KPCA数据白化处理 | 第61-62页 |
| ·基于KPCA的RobustICA深入处理 | 第62-64页 |
| ·基于鲁棒核独立成分分析的故障检测算法步骤 | 第64-67页 |
| ·TE Benchmark实验研究 | 第67-75页 |
| ·本章小结 | 第75-76页 |
| 第5章 结论与展望 | 第76-78页 |
| ·工作总结 | 第76-77页 |
| ·研究展望 | 第77-78页 |
| 参考文献 | 第78-85页 |
| 致谢 | 第85-86页 |
| 在读期间发表的学术论文及研究成果 | 第86页 |
