| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景及研究的目的和意义 | 第10-12页 |
| 1.1.1 课题背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外相关研究及发展现状 | 第12-15页 |
| 1.2.1 自确认传感器的应用现状 | 第12-13页 |
| 1.2.2 自确认传感器故障诊断、隔离及数据恢复技术发展现状 | 第13-15页 |
| 1.3 存在的主要问题 | 第15-16页 |
| 1.4 主要研究内容 | 第16页 |
| 1.5 本文结构 | 第16-17页 |
| 第2章 实验系统设计 | 第17-24页 |
| 2.1 总体方案设计 | 第17-18页 |
| 2.2 数据采集系统结构 | 第18-21页 |
| 2.2.1 实验平台简介 | 第18-19页 |
| 2.2.2 敏感元件的特性分析 | 第19-21页 |
| 2.3 故障仿真平台设计 | 第21-23页 |
| 2.3.1 传感器故障类型分析 | 第21页 |
| 2.3.2 故障仿真模块设计 | 第21-22页 |
| 2.3.3 实验数据采集步骤 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 自确认传感器故障诊断方法研究 | 第24-37页 |
| 3.1 基于主元分析的故障诊断模型设计 | 第24-27页 |
| 3.1.1 基于主元分析的故障诊断模型方案设计 | 第24-25页 |
| 3.1.2 建立 PCA 模型 | 第25-26页 |
| 3.1.3 基于 PCA 的故障诊断方法 | 第26-27页 |
| 3.2 基于主元分析的故障诊断方法分析 | 第27-30页 |
| 3.3 实验数据及分析 | 第30-36页 |
| 3.3.1 真实突变信号及故障信号的区分 | 第30-31页 |
| 3.3.2 单一故障信号的检测 | 第31-34页 |
| 3.3.3 多故障信号的检测 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 自确认传感器故障隔离及数据恢复方法 | 第37-62页 |
| 4.1 人工神经网络的原理及特性分析 | 第37-40页 |
| 4.1.1 BP 神经网络原理及特点 | 第37-38页 |
| 4.1.2 RBF 神经网络原理及特点 | 第38-40页 |
| 4.2 基于相关向量机的故障隔离及数据恢复方法研究 | 第40-49页 |
| 4.2.1 相关向量机的原理及特性分析 | 第40-42页 |
| 4.2.2 相关向量机核函数的选择 | 第42-48页 |
| 4.2.3 RVM 数据恢复算法设计 | 第48-49页 |
| 4.3 实验数据及分析 | 第49-61页 |
| 4.3.1 自确认传感器的真实突变信号跟踪 | 第49-51页 |
| 4.3.2 自确认传感器的故障隔离 | 第51-53页 |
| 4.3.3 自确认传感器的数据恢复算法对比 | 第53-61页 |
| 4.4 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |