| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-22页 |
| ·课题研究的背景与意义 | 第9-11页 |
| ·控制系统中的传感器故障检测与诊断 | 第11-17页 |
| ·控制系统中传感器故障诊断的意义和重要性 | 第11-12页 |
| ·故障分类及传感器故障诊断的任务 | 第12-14页 |
| ·典型传感器故障诊断分类方法 | 第14-17页 |
| ·国内外研究现状及发展方向 | 第17-18页 |
| ·主元分析方法的提出及其发展 | 第18-20页 |
| ·论文的主要研究内容 | 第20-22页 |
| 第2章 传感器的测量模型与主元分析方法 | 第22-41页 |
| ·传感器测量模型 | 第22-24页 |
| ·传感器测量模型的数量表示 | 第22-23页 |
| ·测量数据的向量及矩阵表示 | 第23-24页 |
| ·主元分析方法 | 第24-40页 |
| ·主元分析法基本思想 | 第24-26页 |
| ·主元分析法的数学推导 | 第26-29页 |
| ·主元分析法的建模过程 | 第29-31页 |
| ·主元数目的确定 | 第31-34页 |
| ·故障检测方法 | 第34-36页 |
| ·故障重构方法 | 第36-37页 |
| ·故障识别 | 第37-40页 |
| ·本章小结 | 第40-41页 |
| 第3章 主元分析算法的改进 | 第41-56页 |
| ·时滞数据动态过程传感器故障诊断方法 | 第41-47页 |
| ·动态主元分析方法的提出及时滞数据矩阵的构建 | 第41-42页 |
| ·改进的动态主元分析方法 | 第42-43页 |
| ·基于动态主元分析方法的故障传感器重构 | 第43-46页 |
| ·基于动态主元分析方法的故障传感器识别 | 第46-47页 |
| ·利用核函数主元分析与神经网络实现传感器故障诊断 | 第47-52页 |
| ·核函数主元分析 | 第47-50页 |
| ·KPCA 的监测统计量 | 第50-51页 |
| ·神经网络预测器 | 第51-52页 |
| ·基于多主元模型和神经网络的传感器故障检测与诊断方法 | 第52-54页 |
| ·多个主元模型的构建和主元个数的选取 | 第52页 |
| ·神经网络用以实现故障诊断 | 第52-54页 |
| ·本章小结 | 第54-56页 |
| 第4章 故障诊断中几个关键问题的研究 | 第56-75页 |
| ·传感器故障和系统(元件)故障的区分 | 第56-61页 |
| ·综合应用 T~2 和 SPE 统计实现故障区分 | 第56-58页 |
| ·由传感器间相关系数的变化来区分故障 | 第58-60页 |
| ·由变量贡献图法区分故障 | 第60-61页 |
| ·人工神经网络学习算法的改进 | 第61-65页 |
| ·PCA 故障检测统计量的改进 | 第65-69页 |
| ·故障可检测性与可重构性 | 第69-72页 |
| ·故障诊断研究趋势(现存问题) | 第72-74页 |
| ·实际工况下 T~2 统计和 SPE 统计置信限的确定 | 第72-73页 |
| ·故障检测阈值的确定 | 第73页 |
| ·在 KPCA 框架下进行故障诊断 | 第73-74页 |
| ·本章小结 | 第74-75页 |
| 第5章 仿真实验 | 第75-90页 |
| ·实验系统与装置 | 第75-79页 |
| ·变风量空调系统 | 第75-79页 |
| ·变风量空调系统中的空气处理单元 | 第79页 |
| ·传感器故障诊断实验 | 第79-89页 |
| ·改进的时滞数据动态主元分析方法的验证 | 第80-85页 |
| ·核函数主元分析与神经网络实现传感器故障诊断 | 第85-89页 |
| ·本章小结 | 第89-90页 |
| 结论 | 第90-92页 |
| 参考文献 | 第92-98页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第98-99页 |
| 致谢 | 第99-100页 |
| 个人简历 | 第100页 |