| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 引言 | 第11页 |
| 1.2 故障诊断的一些基本问题 | 第11-16页 |
| 1.2.1 工业过程故障的含义及其分类 | 第11-13页 |
| 1.2.2 工业过程故障的特性分析 | 第13-14页 |
| 1.2.3 故障诊断系统结构及性能评价指标 | 第14-15页 |
| 1.2.4 故障诊断的发展过程背景 | 第15-16页 |
| 1.3 故障诊断的基本思想 | 第16-17页 |
| 1.4 本文的主要工作 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第2章 故障诊断方法 | 第19-29页 |
| 2.1 定性分析的故障诊断方法 | 第20-21页 |
| 2.1.1 专家系统法 | 第20页 |
| 2.1.2 图论方法 | 第20-21页 |
| 2.1.3 基于案例推理和模糊逻辑理论的方法 | 第21页 |
| 2.1.4 基于灰色理论的故障诊断方法 | 第21页 |
| 2.2 定量分析的故障诊断方法 | 第21-28页 |
| 2.2.1 基于解析模型的方法 | 第21-22页 |
| 2.2.2 基于信号的方法 | 第22-23页 |
| 2.2.3 基于信息融合的方法 | 第23页 |
| 2.2.4 基于多智能体的方法 | 第23-24页 |
| 2.2.5 基于机器学习的方法 | 第24-25页 |
| 2.2.6 基于多元统计的方法 | 第25-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 自适应动态主元分析算法 | 第29-47页 |
| 3.1 数据预处理 | 第29-32页 |
| 3.1.1 标准化数据预处理 | 第31-32页 |
| 3.1.2 基于多维小波去噪的数据预处理 | 第32页 |
| 3.2 主元分析(PCA)算法 | 第32-35页 |
| 3.3 动态主元分析(DPCA)算法 | 第35-38页 |
| 3.3.1 构建增广矩阵 | 第35-37页 |
| 3.3.2 重构统计量控制图 | 第37-38页 |
| 3.4 自适应主元分析算法 | 第38-41页 |
| 3.4.1 递推主元分析(RPCA)算法 | 第39页 |
| 3.4.2 滑动窗主元分析(MWPCA)算法 | 第39-40页 |
| 3.4.3 指数加权主元分析(EWPCA)算法 | 第40-41页 |
| 3.5 本文提出的两种故障诊断方法 | 第41-45页 |
| 3.5.1 小波和DPCA相结合的故障诊断方法 | 第41-43页 |
| 3.5.2 基于DPCA的自适应故障诊断方法 | 第43-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第4章 仿真实验结果及分析 | 第47-65页 |
| 4.1 田纳西-伊斯曼过程(TEP)实例介绍 | 第47-51页 |
| 4.1.1 TEP工艺流程 | 第47-48页 |
| 4.1.2 TEP变量和过程故障 | 第48-51页 |
| 4.2 实际工业过程仿真数据选取 | 第51-52页 |
| 4.2.1 工业过程数据动态性产生的原因及影响 | 第51-52页 |
| 4.2.2 本文仿真所用轧钢过程断带数据的选取 | 第52页 |
| 4.3 小波与DPCA相结合的故障诊断方法仿真研究 | 第52-58页 |
| 4.3.1 TEP故障1的诊断 | 第52-57页 |
| 4.3.2 轧钢过程断带故障 | 第57-58页 |
| 4.4 基于DPCA的自适应故障诊断方法仿真研究 | 第58-64页 |
| 4.4.1 TEP故障10的检测 | 第58-60页 |
| 4.4.2 TEP故障11的检测 | 第60-61页 |
| 4.4.3 TEP故障10和11的识别 | 第61-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-69页 |
| 5.1 本文总结 | 第65-66页 |
| 5.2 工作展望 | 第66-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-77页 |
| 攻读硕士期间发表的论文 | 第77页 |