| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-23页 |
| 1.1 课题背景与意义 | 第12-13页 |
| 1.2 故障诊断的概述 | 第13-18页 |
| 1.2.1 故障诊断的发展历史 | 第13-14页 |
| 1.2.2 故障诊断方法的分类 | 第14-18页 |
| 1.3 信息融合技术的发展 | 第18-20页 |
| 1.3.1 国外研究现状 | 第19页 |
| 1.3.2 国内研究现状 | 第19-20页 |
| 1.4 化工过程故障诊断的研究现状 | 第20-21页 |
| 1.5 本论文的主要内容 | 第21-23页 |
| 第2章 田纳西—伊斯曼过程 | 第23-28页 |
| 2.1 引言 | 第23页 |
| 2.2 TE过程的工艺流程 | 第23-24页 |
| 2.3 TE过程的变量 | 第24-25页 |
| 2.4 TE过程的故障类型 | 第25-26页 |
| 2.5 TE过程的数据集 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 基于PCA和SVM的TE过程故障诊断 | 第28-50页 |
| 3.1 主元分析 | 第28-33页 |
| 3.1.1 PCA算法 | 第28-29页 |
| 3.1.2 主元个数的确定 | 第29-30页 |
| 3.1.3 检测统计量和控制限 | 第30-32页 |
| 3.1.4 基于PCA的故障检测 | 第32-33页 |
| 3.2 支持向量机 | 第33-42页 |
| 3.2.1 支持向量机的概述 | 第33页 |
| 3.2.2 最优分类超平面的构造 | 第33-35页 |
| 3.2.3 二分类SVM算法 | 第35-36页 |
| 3.2.4 核函数 | 第36-37页 |
| 3.2.5 多分类SVM | 第37-39页 |
| 3.2.6 SVM在故障诊断中的应用 | 第39-41页 |
| 3.2.7 SVM参数优化 | 第41-42页 |
| 3.3 基于PCA和SVM的TE过程故障诊断实验仿真 | 第42-48页 |
| 3.3.1 样本的建立 | 第42页 |
| 3.3.2 实验仿真 | 第42-48页 |
| 3.3.3 结果分析 | 第48页 |
| 3.4 本章小结 | 第48-50页 |
| 第4章 人工神经网络 | 第50-65页 |
| 4.1 人工神经网络概述 | 第50-54页 |
| 4.1.1 人工神经元模型 | 第50-51页 |
| 4.1.2 神经网络的特点 | 第51页 |
| 4.1.3 神经网络的分类 | 第51-53页 |
| 4.1.4 神经网络的学习方法 | 第53-54页 |
| 4.2 BP神经网络 | 第54-58页 |
| 4.2.1 BP神经网络的结构 | 第54-55页 |
| 4.2.2 BP神经网络的训练 | 第55-56页 |
| 4.2.3 训练网络过程中的几点考虑 | 第56-57页 |
| 4.2.4 BP网络在故障诊断中的应用 | 第57-58页 |
| 4.3 TE过程故障诊断的实验仿真研究 | 第58-63页 |
| 4.3.1 实验仿真样本的建立 | 第58-59页 |
| 4.3.2 基于BP网络的TE过程故障诊断实验仿真 | 第59-61页 |
| 4.3.3 基于PCA和BP网络的TE过程故障诊断实验仿真 | 第61-63页 |
| 4.4 仿真结果的分析 | 第63页 |
| 4.5 本章小结 | 第63-65页 |
| 第5章 基于信息融合的TE过程故障诊断 | 第65-76页 |
| 5.1 引言 | 第65页 |
| 5.2 基于信息融合故障诊断 | 第65-66页 |
| 5.3 D-S证据理论 | 第66-70页 |
| 5.3.1 D-S证据理论的发展概述 | 第66-67页 |
| 5.3.2 证据理论在故障诊断中的应用 | 第67-68页 |
| 5.3.3 D-S证据理论的基本概念 | 第68-70页 |
| 5.3.4 证据理论应用于故障诊断的优势 | 第70页 |
| 5.4 基于信息融合的TE过程故障诊断实验仿真 | 第70-74页 |
| 5.4.1 SVM的概率输出 | 第70-72页 |
| 5.4.2 BP网络的概率输出 | 第72页 |
| 5.4.3 基于信息融合故障诊断的实验仿真 | 第72-74页 |
| 5.4.4 实验仿真结果分析 | 第74页 |
| 5.5 本章小结 | 第74-76页 |
| 结论 | 第76-78页 |
| 参考文献 | 第78-83页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第83-84页 |
| 致谢 | 第84页 |
