| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题背景与研究意义 | 第11-12页 |
| 1.2 故障诊断研究内容与研究方法 | 第12-15页 |
| 1.2.1 故障诊断基本概念 | 第12-13页 |
| 1.2.2 故障诊断的研究方法 | 第13-15页 |
| 1.3 国内外研究现状 | 第15-17页 |
| 1.4 本文主要内容 | 第17-19页 |
| 第2章 基于数据驱动的故障监测基本理论 | 第19-33页 |
| 2.1 KICA的基本原理 | 第19-22页 |
| 2.1.1 特征空间的ICA | 第19页 |
| 2.1.2 特征空间中数据的白化 | 第19-21页 |
| 2.1.3 利用修正ICA提取非线性独立元 | 第21-22页 |
| 2.2 Fisher判别式分析 | 第22-24页 |
| 2.3 特征提取问题与方法 | 第24-26页 |
| 2.3.1 KPCA特征提取算法 | 第24-25页 |
| 2.3.2 MLP特征提取算法 | 第25页 |
| 2.3.3 多维尺度算法 | 第25-26页 |
| 2.3.4 ISOMAP算法 | 第26页 |
| 2.3.5 最大方差展开算法 | 第26页 |
| 2.4 核函数方法简介 | 第26-28页 |
| 2.5 半监督学习算法 | 第28-31页 |
| 2.5.1 半监督学习算法的三个假设 | 第28-29页 |
| 2.5.2 半监督学习理论 | 第29-31页 |
| 2.5.3 半监督学习的应用 | 第31页 |
| 2.6 小结 | 第31-33页 |
| 第3章 基于独立子空间的KICA故障监测方法 | 第33-57页 |
| 3.1 前言 | 第33-34页 |
| 3.2 基于独立信息的子数据空间划分算法 | 第34-48页 |
| 3.2.1 间歇过程多方向展开 | 第34-35页 |
| 3.2.2 离线建模 | 第35-45页 |
| 3.2.3 在线监测 | 第45-48页 |
| 3.3 实验仿真 | 第48-55页 |
| 3.3.1 青霉素发酵过程 | 第48-50页 |
| 3.3.2 仿真结果分析 | 第50-55页 |
| 3.4 本章小结 | 第55-57页 |
| 第4章 基于先验知识的SKMFA故障监测方法 | 第57-83页 |
| 4.1 前言 | 第57-58页 |
| 4.2 KMFA特征提取方法 | 第58-65页 |
| 4.2.1 基于核函数的特征映射 | 第59-60页 |
| 4.2.2 构建领域流形图 | 第60-61页 |
| 4.2.3 基于KMFA的特征提取 | 第61-65页 |
| 4.3 基于正则化约束的KMFA特征提取 | 第65-67页 |
| 4.3.1 正则化局部保持 | 第65-66页 |
| 4.3.2 成对约束项 | 第66-67页 |
| 4.4 基于先验知识的正则化成对约束KMFA特征提取 | 第67-70页 |
| 4.4.1 基于先验知识的特征提取 | 第67-70页 |
| 4.4.2 贝叶斯分类器分类 | 第70页 |
| 4.5 基于先验知识学习的正则化约束KMFA故障监测 | 第70-72页 |
| 4.6 仿真研究及结果分析 | 第72-81页 |
| 4.6.1 电熔镁炉介绍 | 第72-73页 |
| 4.6.2 仿真结果分析 | 第73-81页 |
| 4.7 本章小结 | 第81-83页 |
| 第5章 总结与展望 | 第83-85页 |
| 5.1 总结 | 第83页 |
| 5.2 展望 | 第83-85页 |
| 参考文献 | 第85-89页 |
| 致谢 | 第89-90页 |