| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第13-22页 |
| 1.1 集合算法故障诊断的研究背景及意义 | 第13-14页 |
| 1.2 故障诊断的研究内容和方法 | 第14-17页 |
| 1.2.1 故障诊断的研究内容 | 第14-15页 |
| 1.2.2 故障诊断的分类方法 | 第15-17页 |
| 1.3 集合算法故障诊断的国内外研究现状 | 第17-20页 |
| 1.4 本论文的研究内容 | 第20-22页 |
| 第2章 数据采集与预处理技术研究 | 第22-42页 |
| 2.1 引言 | 第22页 |
| 2.2 复杂工业过程研究与仿真 | 第22-28页 |
| 2.2.1 多模态工业过程 | 第22-24页 |
| 2.2.2 间歇过程研究与仿真 | 第24-28页 |
| 2.3 青霉素发酵过程模型研究与数据采集 | 第28-34页 |
| 2.3.1 青霉素发酵过程 | 第28-29页 |
| 2.3.2 青霉素发酵仿真平台 | 第29-32页 |
| 2.3.3 具体故障设置 | 第32-34页 |
| 2.4 数据预处理技术 | 第34-41页 |
| 2.4.1 小波基本理论 | 第34-36页 |
| 2.4.2 提升小波变换 | 第36-37页 |
| 2.4.3 小波阈值去噪处理 | 第37-41页 |
| 2.5 本章小结 | 第41-42页 |
| 第3章 基于 LW-RPCA-IPNN 集合算法的故障诊断研究 | 第42-60页 |
| 3.1 引言 | 第42-43页 |
| 3.2 递推的主元分析方法 | 第43-50页 |
| 3.2.1 主成分分析原理 | 第43-45页 |
| 3.2.2 递推主元分析原理(Recursive PCA) | 第45-47页 |
| 3.2.3 递推主元分析步骤 | 第47-48页 |
| 3.2.4 基于递推主元分析的故障检测 | 第48-50页 |
| 3.3 增量概率神经网络 | 第50-54页 |
| 3.3.1 概率神经网络 | 第50-52页 |
| 3.3.2 增量概率神经网络 | 第52-54页 |
| 3.4 LW-RPCA-IPNN故障诊断方法研究 | 第54-59页 |
| 3.5 本章小结 | 第59-60页 |
| 第4章 基于 LW-RPCA-RLSSVM 集合算法的故障诊断研究 | 第60-76页 |
| 4.1 引言 | 第60页 |
| 4.2 支持向量机的原理及分类方法 | 第60-65页 |
| 4.2.1 支持向量机的原理 | 第60页 |
| 4.2.2 支持向量机的分类方法 | 第60-64页 |
| 4.2.3 基于支持向量机的故障诊断 | 第64-65页 |
| 4.3 递推式最小二乘支持向量机（RLSSVM） | 第65-69页 |
| 4.3.1 最小二乘支持向量机算法 | 第65-67页 |
| 4.3.2 递推式最小二乘支持向量机RLSSVM | 第67-69页 |
| 4.4 基于LW-RPCA-RLSSVM的实验仿真比较研究 | 第69-75页 |
| 4.5 本章小结 | 第75-76页 |
| 第5章 基于LabVIEW的集合算法故障诊断实验研究 | 第76-83页 |
| 5.1 引言 | 第76页 |
| 5.2 实验平台设计 | 第76-77页 |
| 5.2.1 启动平台 | 第76-77页 |
| 5.2.2 主函数平台设计 | 第77页 |
| 5.3 集合算法实验研究 | 第77-81页 |
| 5.3.1 基于LW-RPCA-IPNN的故障诊断实验研究 | 第78-79页 |
| 5.3.2 基于LW-RPCA-RLSSVM的故障诊断实验研究 | 第79-81页 |
| 5.4 本章小结 | 第81-83页 |
| 结论 | 第83-85页 |
| 参考文献 | 第85-92页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第92-93页 |
| 致谢 | 第93-94页 |
