| 学位论文数据集 | 第3-4页 |
| 摘要 | 第4-6页 |
| ABSTRACTS | 第6-8页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 课题来源 | 第13页 |
| 1.2 课题背景及研究意义 | 第13-14页 |
| 1.3 故障预测技术 | 第14-18页 |
| 1.3.1 故障预测的基本概念 | 第14-15页 |
| 1.3.2 故障预测方法分类 | 第15页 |
| 1.3.3 国内外发展研究现状 | 第15-18页 |
| 1.4 课题研究内容 | 第18页 |
| 1.5 论文组织架构 | 第18-20页 |
| 第二章 基于互信息量和BIC准则的相关性和时滞性研究 | 第20-31页 |
| 2.1 互信息量和BIC准则 | 第20-21页 |
| 2.1.1 互信息量方法 | 第20-21页 |
| 2.1.2 BIC准则 | 第21页 |
| 2.2 工业过程的相关性与时滞性研究 | 第21-25页 |
| 2.2.1 基于互信息量算法的相关性研究 | 第21-23页 |
| 2.2.2 基于互信息量算法的时滞性研究 | 第23-24页 |
| 2.2.3 基于BIC准则的时滞性研究 | 第24-25页 |
| 2.3 仿真验证 | 第25-30页 |
| 2.3.1 TE过程介绍 | 第25-27页 |
| 2.3.2 仿真结果 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于时延SDG和改进ICA的故障预测应用研究 | 第31-49页 |
| 3.1 时延SDG | 第31-35页 |
| 3.1.1 SDG概述 | 第31-32页 |
| 3.1.2 SDG故障分析 | 第32-34页 |
| 3.1.3 时延SDG构建 | 第34-35页 |
| 3.2 基于ELM神经网络改进的ICA的故障预测应用研究 | 第35-40页 |
| 3.2.1 ICA概述 | 第35-36页 |
| 3.2.2 基于ELM神经网络改进的ICA | 第36-39页 |
| 3.2.3 故障预测模型构建 | 第39-40页 |
| 3.3 仿真验证 | 第40-47页 |
| 3.4 本章小结 | 第47-49页 |
| 第四章 基于改进的统计局部KPCA的微小故障预测应用研究 | 第49-61页 |
| 4.1 基于KPCA的工业过程监控 | 第49-52页 |
| 4.1.1 KPCA原理 | 第49-51页 |
| 4.1.2 基于KPCA的过程监控算法 | 第51-52页 |
| 4.2 基于多元相关时滞序列改进的统计局部KPCA在微小故障预测中的应用 | 第52-55页 |
| 4.2.1 统计局部方法的原理 | 第52-53页 |
| 4.2.2 统计局部KPCA | 第53-55页 |
| 4.2.3 基于改进统计局部KPCA在微小故障预测中的应用 | 第55页 |
| 4.3 仿真验证 | 第55-59页 |
| 4.4 本章小结 | 第59-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 工作总结 | 第61页 |
| 5.2 工作展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 研究成果及发表的学术论文 | 第69-71页 |
| 作者和导师简介 | 第71-72页 |
| 附件 | 第72-73页 |
