基于改进半监督SVM的流程工业故障诊断系统研究及实现
| 中文摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 流程工业故障诊断的意义 | 第11-12页 |
| 1.2 流程工业故障诊断技术发展现状 | 第12-14页 |
| 1.3 半监督支持向量机的发展及现状 | 第14-17页 |
| 1.3.1 支持向量机的发展及现状 | 第14-16页 |
| 1.3.2 半监督支持向量机的发展及现状 | 第16-17页 |
| 1.4 本文主要研究内容及所做的工作 | 第17-19页 |
| 第2章 流程工业故障诊断 | 第19-25页 |
| 2.1 故障诊断基本概念 | 第19-20页 |
| 2.2 故障诊断方法 | 第20-23页 |
| 2.2.1 基于解析模型方法 | 第20-21页 |
| 2.2.2 基于信号处理方法 | 第21页 |
| 2.2.3 基于人工智能方法 | 第21-23页 |
| 2.3 支持向量机与故障诊断技术 | 第23-24页 |
| 2.3.1 故障诊断中的小样本问题 | 第24页 |
| 2.3.2 支持向量机故障诊断技术现状 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 支持向量机与半监督学习算法 | 第25-35页 |
| 3.1 支持向量机算法 | 第25-29页 |
| 3.1.1 线性可分情形 | 第25-27页 |
| 3.1.2 线性不可分情形 | 第27-28页 |
| 3.1.3 核函数 | 第28-29页 |
| 3.2 半监督方法 | 第29-30页 |
| 3.3 半监督支持向量机 | 第30-33页 |
| 3.3.1 半监督支持向量机发展现状 | 第30-31页 |
| 3.3.2 直推式支持向量机 | 第31-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第4章 改进的半监督SVM算法 | 第35-43页 |
| 4.1 故障数据不平衡问题 | 第35-36页 |
| 4.2 改进的半监督SVM算法 | 第36-40页 |
| 4.2.1 半标定样本的选择 | 第36-38页 |
| 4.2.2 惩罚参数C~*的调节 | 第38-39页 |
| 4.2.3 本文的改进半监督SVM算法流程 | 第39-40页 |
| 4.3 本文改进的新算法在多类分类问题中的应用 | 第40-41页 |
| 4.4 本章小结 | 第41-43页 |
| 第5章 故障诊断实验及结果分析 | 第43-63页 |
| 5.1 高炉故障诊断实验及分析 | 第43-52页 |
| 5.1.1 高炉炼铁工艺 | 第43-44页 |
| 5.1.2 高炉炉况分析 | 第44-46页 |
| 5.1.3 高炉故障诊断内容 | 第46-48页 |
| 5.1.4 实验结果与分析 | 第48-52页 |
| 5.2 TE过程故障诊断实验及分析 | 第52-62页 |
| 5.2.1 TE过程 | 第52-56页 |
| 5.2.2 实验数据的采集 | 第56-57页 |
| 5.2.3 实验结果与分析 | 第57-62页 |
| 5.3 本章小结 | 第62-63页 |
| 第6章 高炉故障诊断系统 | 第63-83页 |
| 6.1 需求分析 | 第63页 |
| 6.2 高炉故障诊断系统开发方法 | 第63-64页 |
| 6.3 高炉故障诊断系统设计 | 第64-66页 |
| 6.3.1 数据库设计 | 第64-65页 |
| 6.3.2 系统总体设计 | 第65-66页 |
| 6.4 高炉故障诊断系统实现 | 第66-80页 |
| 6.4.1 高炉故障诊断功能模块 | 第66-74页 |
| 6.4.2 高炉运行监控功能模块 | 第74-80页 |
| 6.5 高炉故障诊断系统调试 | 第80-82页 |
| 6.6 高炉故障诊断系统性能 | 第82页 |
| 6.7 本章小结 | 第82-83页 |
| 第7章 结论与展望 | 第83-85页 |
| 7.1 结论 | 第83页 |
| 7.2 展望 | 第83-85页 |
| 参考文献 | 第85-89页 |
| 致谢 | 第89-91页 |
| 攻读硕士学位期间参加的科研项目及获得奖励 | 第91-93页 |
| 攻读硕士学位期间发表的论文 | 第93页 |
