| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 目录 | 第10-15页 |
| 第1章 引言 | 第15-35页 |
| 1.1 课题的提出及意义 | 第15-18页 |
| 1.1.1 问题的提出 | 第15页 |
| 1.1.2 课题研究的目的和意义 | 第15-18页 |
| 1.2 国内外故障诊断研究现状 | 第18-20页 |
| 1.2.1 故障诊断的发展历史 | 第18页 |
| 1.2.2 国外铝电解故障诊断研究现状 | 第18-19页 |
| 1.2.3 国内铝电解故障诊断研究现状 | 第19-20页 |
| 1.3 故障诊断的主要方法 | 第20-27页 |
| 1.3.1 基于解析模型的方法 | 第21-23页 |
| 1.3.2 基于信号处理的方法 | 第23-24页 |
| 1.3.3 基于人工智能的方法 | 第24-27页 |
| 1.4 故障诊断发展趋势 | 第27-28页 |
| 1.4.1 主要的热点问题 | 第27页 |
| 1.4.2 研究发展趋势 | 第27-28页 |
| 1.5 工作思路 | 第28-31页 |
| 1.6 论文主要工作 | 第31-33页 |
| 1.7 论文结构 | 第33-35页 |
| 第2章 铝电解设备及故障 | 第35-45页 |
| 2.1 铝电解设备 | 第35-40页 |
| 2.1.1 铝电解生产工艺 | 第35-37页 |
| 2.1.1.1 工作原理 | 第35页 |
| 2.1.1.2 生产过程 | 第35-36页 |
| 2.1.1.3 电解系列的组成及工作原理 | 第36-37页 |
| 2.1.2 铝电解槽结构及技术参数 | 第37-40页 |
| 2.1.2.1 电解槽结构 | 第37-38页 |
| 2.1.2.2 主要工艺技术参数 | 第38-40页 |
| 2.2 铝电解过程主要故障 | 第40-43页 |
| 2.2.1 阳极效应 | 第40-41页 |
| 2.2.2 其它故障 | 第41-43页 |
| 2.3 本章小结 | 第43-45页 |
| 第3章 基于解析模型的阳极效应预报方法 | 第45-65页 |
| 3.1 故障检测基本原理 | 第45页 |
| 3.2 故障预报的理论依据 | 第45-48页 |
| 3.3 增广最小二乘辨识原理 | 第48-51页 |
| 3.4 铝电解过程动态数学模型的建立 | 第51-54页 |
| 3.4.1 模型结构辨识 | 第51-53页 |
| 3.4.2 模型参数辨识 | 第53-54页 |
| 3.4.2.1 辨识方法的选择 | 第53页 |
| 3.4.2.2 辨识算法 | 第53-54页 |
| 3.4.2.3 辨识算法步骤 | 第54页 |
| 3.4.2.4 数学模型参数确定 | 第54页 |
| 3.5 模型检验 | 第54-56页 |
| 3.6 仿真实验 | 第56-63页 |
| 3.6.1 算法初始值的选择 | 第56-58页 |
| 3.6.2 遗忘因子的选择 | 第58-60页 |
| 3.6.3 不同工作段参数变化情况分析 | 第60-62页 |
| 3.6.4 阳极效应预报方法实现 | 第62-63页 |
| 3.7 本章小结 | 第63-65页 |
| 第4章 基于神经网络的阳极效应预报方法 | 第65-93页 |
| 4.1 神经网络与故障诊断 | 第65-67页 |
| 4.1.1 神经网络故障诊断特点 | 第65-66页 |
| 4.1.2 神经网络故障诊断原理及方法 | 第66-67页 |
| 4.1.2.1 神经网络故障诊断原理 | 第66-67页 |
| 4.1.2.2 神经网络故障诊断方法 | 第67页 |
| 4.2 基于非线性主成分分析的数据处理 | 第67-71页 |
| 4.3 小波神经网络的阳极效应预报模型建立 | 第71-78页 |
| 4.3.1 小波分析基础 | 第71-73页 |
| 4.3.2 小波神经网络阳极效应预报原理与算法 | 第73-78页 |
| 4.4 仿真实验 | 第78-82页 |
| 4.4.1 非线性主成分提取 | 第78-79页 |
| 4.4.2 BP神经网络和小波神经网络仿真曲线分析 | 第79-82页 |
| 4.4.2.1 BP神经网络(BPNN)预测 | 第79-80页 |
| 4.4.2.2 小波神经网络(WNN)预测 | 第80-81页 |
| 4.4.2.3 综合结果对比分析 | 第81-82页 |
| 4.5 基于ELMAN神经网络阳极效应故障诊断 | 第82-87页 |
| 4.5.1 阳极效应故障诊断模型建立 | 第82-86页 |
| 4.5.1.1 阳极效应故障诊断模型结构 | 第83-84页 |
| 4.5.1.2 Elman神经网络的学习算法 | 第84-86页 |
| 4.5.2 ELMAN神经网络模型的改进 | 第86-87页 |
| 4.5.2.1 改进Elman神经网络数学模型 | 第86-87页 |
| 4.5.2.2 改进Elman神经网络学习算法 | 第87页 |
| 4.6 基于小波ELMAN神经网络的阳极效应故障诊断 | 第87-89页 |
| 4.6.1 小波ELMAN神经网络的数学模型 | 第87-88页 |
| 4.6.2 小波ELMAN神经网络的学习算法 | 第88-89页 |
| 4.7 仿真研究 | 第89-92页 |
| 4.7.1 仿真实验 | 第89-91页 |
| 4.7.2 仿真分析 | 第91-92页 |
| 4.8 本章小结 | 第92-93页 |
| 第5章 神经网络铝电解多故障诊断系统 | 第93-125页 |
| 5.1 单神经网络多故障诊断 | 第93-101页 |
| 5.1.1 故障诊断原理 | 第93页 |
| 5.1.2 铝电解多故障诊断模型的建立 | 第93-98页 |
| 5.1.2.1 故障诊断模型特征量的选取 | 第93-96页 |
| 5.1.2.2 故障诊断模型结构 | 第96-98页 |
| 5.1.2.3 小波Elman神经网络的训练步骤 | 第98页 |
| 5.1.3 仿真研究 | 第98-101页 |
| 5.1.3.1 故障诊断过程分析 | 第98-99页 |
| 5.1.3.2 仿真结果分析 | 第99-101页 |
| 5.1.3.3 单一网络故障诊断的局限性 | 第101页 |
| 5.2 集成神经网络故障诊断 | 第101-104页 |
| 5.2.1 基本思想 | 第101-102页 |
| 5.2.2 集成神经网络的基本结构 | 第102-103页 |
| 5.2.3 子神经网络的组建原则 | 第103页 |
| 5.2.4 集成神经网络的实现策略 | 第103-104页 |
| 5.3 模块化集成模糊神经网络铝电解多故障诊断模型建立 | 第104-123页 |
| 5.3.1 故障诊断模型结构 | 第104-105页 |
| 5.3.2 故障诊断子网络设计 | 第105-112页 |
| 5.3.2.1 阳极效应故障诊断子网络设计 | 第105-111页 |
| 5.3.2.2 热槽和冷槽子诊断网络设计 | 第111-112页 |
| 5.3.3 决策融合网络设计 | 第112-123页 |
| 5.3.3.1 决策融合网络结构 | 第112-117页 |
| 5.3.3.2 网络的学习算法 | 第117-119页 |
| 5.3.3.3 网络的训练过程 | 第119-120页 |
| 5.3.3.4 实验结果及分析 | 第120-123页 |
| 5.4 本章小结 | 第123-125页 |
| 第6章 铝电解故障诊断系统的设计与实现 | 第125-139页 |
| 6.1 铝电解控制系统设计 | 第125-127页 |
| 6.1.1 系统结构 | 第125-126页 |
| 6.1.2 系统硬件设计 | 第126-127页 |
| 6.2 管理软件结构化设计 | 第127-131页 |
| 6.2.1 管理软件结构化设计原则 | 第127-128页 |
| 6.2.2 管理软件系统功能 | 第128-130页 |
| 6.2.3 故障诊断系统设计 | 第130-131页 |
| 6.3 故障诊断软件算法及实现 | 第131-137页 |
| 6.3.1 模糊故障检测系统 | 第131-136页 |
| 6.3.1.1 模糊故障检测系统结构 | 第131-132页 |
| 6.3.1.2 系统的模糊推理 | 第132-135页 |
| 6.3.1.3 系统的模糊消除器 | 第135-136页 |
| 6.3.2 故障诊断的系统实现 | 第136-137页 |
| 6.3.2.1 故障诊断主程序 | 第136-137页 |
| 6.3.2.2 故障诊断的模式识别方法 | 第137页 |
| 6.4 本章小结 | 第137-139页 |
| 第7章 总结与展望 | 第139-143页 |
| 7.1 论文工作总结 | 第139-141页 |
| 7.1.1 论文研究成果总结 | 第139-140页 |
| 7.1.2 论文的创新点 | 第140-141页 |
| 7.2 论文工作展望 | 第141-143页 |
| 参考文献 | 第143-151页 |
| 作者简介 | 第151-153页 |
| 致谢 | 第153-155页 |
| 博士生期间发表的论文、获奖及荣誉 | 第155-156页 |
