基于KPCA和SSVM的工业过程故障检测与诊断
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-19页 |
| ·课题研究背景及意义 | 第9-10页 |
| ·过程故障诊断技术概述 | 第10-15页 |
| ·故障及其类型 | 第10页 |
| ·过程监测步骤 | 第10-11页 |
| ·故障诊断方法介绍 | 第11-15页 |
| ·基于多元统计的故障诊断方法 | 第15-16页 |
| ·本文主要工作 | 第16-19页 |
| 第2章 田纳西—伊斯曼过程 | 第19-25页 |
| ·TE工艺流程简介 | 第19-20页 |
| ·过程变量 | 第20-22页 |
| ·过程故障 | 第22-23页 |
| ·故障样本的说明 | 第23页 |
| ·本章小结 | 第23-25页 |
| 第3章 基于多变量统计方法的故障诊断 | 第25-39页 |
| ·主元分析监测方法 | 第25-29页 |
| ·主元分析原理 | 第25-26页 |
| ·主元个数的选取方法 | 第26-27页 |
| ·基于PCA的故障检测与诊断方法 | 第27-29页 |
| ·KPCA原理 | 第29-33页 |
| ·KPCA原理 | 第29-31页 |
| ·常用的几类核函数 | 第31页 |
| ·核主元分析故障检测和诊断方法 | 第31-33页 |
| ·仿真结果分析 | 第33-35页 |
| ·动态主元分析(DPCA) | 第35-36页 |
| ·本章小结 | 第36-39页 |
| 第4章 基于KPCA和SSVM故障诊断研究 | 第39-53页 |
| ·统计学习理论 | 第39-42页 |
| ·VC维的概念 | 第40-41页 |
| ·推广性的界 | 第41页 |
| ·结构风险最小化 | 第41-42页 |
| ·支持向量机分类 | 第42-49页 |
| ·最优超平面 | 第43-44页 |
| ·线性可分 | 第44-45页 |
| ·线性不可分 | 第45-46页 |
| ·非线性划分 | 第46-47页 |
| ·简易支持向量机SSVM | 第47-49页 |
| ·基于KPCA和SSVM方法的故障诊断步骤 | 第49页 |
| ·TE过程数据仿真与分析 | 第49-52页 |
| ·本章小结 | 第52-53页 |
| 第5章 基于粒子群算法的参数优化及改进 | 第53-63页 |
| ·粒子群算法 | 第53-56页 |
| ·粒子群算法基本原理 | 第53-55页 |
| ·粒子群优化算法流程 | 第55-56页 |
| ·粒子群优化SSVM参数 | 第56-58页 |
| ·基于变量选择的KPCA-SSVM故障诊断 | 第58-61页 |
| ·本章小结 | 第61-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69页 |
