基于数据驱动的过程状态监测和故障诊断
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状及发展动态分析 | 第10-13页 |
| 1.2.1 随机滤波的发展 | 第10-11页 |
| 1.2.2 随机滤波的研究现状 | 第11-12页 |
| 1.2.3 随机系统故障诊断研究现状 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-15页 |
| 第2章 基于粒子滤波方法的状态估计和故障诊断 | 第15-28页 |
| 2.1 引言 | 第15页 |
| 2.2 问题描述 | 第15-20页 |
| 2.2.1 扩展卡尔曼滤波算法 | 第16页 |
| 2.2.2 粒子滤波算法 | 第16-19页 |
| 2.2.3 EKF和PF仿真对比 | 第19-20页 |
| 2.3 传感器故障检测和故障诊断 | 第20-22页 |
| 2.3.1 传感器故障 | 第20页 |
| 2.3.2 故障检测 | 第20-21页 |
| 2.3.3 故障诊断 | 第21-22页 |
| 2.4 应用实例 | 第22-27页 |
| 2.4.1 换热器模型 | 第22-24页 |
| 2.4.2 仿真结果 | 第24-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于生存信息势的非线性随机系统状态估计 | 第28-41页 |
| 3.1 引言 | 第28页 |
| 3.2 问题描述 | 第28-29页 |
| 3.3 基于生存信息势的滤波算法 | 第29-35页 |
| 3.3.1 滤波器增益更新算法 | 第29-31页 |
| 3.3.2 滤波器增益的界 | 第31-32页 |
| 3.3.3 弹性滤波器增益设计 | 第32-33页 |
| 3.3.4 稳定性证明 | 第33-35页 |
| 3.4 应用实例 | 第35-40页 |
| 3.4.1 机械手模型 | 第35-37页 |
| 3.4.2 仿真结果 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于最大互熵准则的电力系统状态估计 | 第41-54页 |
| 4.1 引言 | 第41-42页 |
| 4.2 问题描述 | 第42-43页 |
| 4.3 基于加权最小二乘法的状态估计 | 第43-44页 |
| 4.4 基于广义互熵的状态估计 | 第44-47页 |
| 4.4.1 定义 | 第44-45页 |
| 4.4.2 性能指标 | 第45-46页 |
| 4.4.3 迭代方法 | 第46-47页 |
| 4.5 仿真结果 | 第47-52页 |
| 4.5.1 基于正常测量的仿真结果 | 第47-50页 |
| 4.5.2 基于不良数据的仿真结果 | 第50-52页 |
| 4.6 本章小结 | 第52-54页 |
| 第5章 结论与展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第61-62页 |
| 致谢 | 第62页 |
