基于LS-SVM的复杂工业过程故障诊断方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-14页 |
| ·研究背景及意义 | 第7-8页 |
| ·故障诊断研究内容与特点 | 第8-9页 |
| ·故障诊断中的一些基本概念 | 第8页 |
| ·故障诊断的研究内容 | 第8页 |
| ·复杂工业过程中故障诊断的特点 | 第8-9页 |
| ·故障诊断方法研究现状 | 第9-12页 |
| ·本文的研究内容及安排 | 第12-14页 |
| ·主要研究内容 | 第12页 |
| ·结构安排 | 第12-14页 |
| 2 统计学习理论和用于分类的支持向量机 | 第14-24页 |
| ·引言 | 第14页 |
| ·统计学习理论 | 第14-16页 |
| ·学习问题的模型 | 第14-15页 |
| ·统计学习理论的核心内容 | 第15-16页 |
| ·用于分类的支持向量机 | 第16-23页 |
| ·分类支持向量机的原理 | 第17-20页 |
| ·核函数 | 第20-21页 |
| ·多分类的支持向量机 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 3 基于LS-SVM的复杂工业过程故障诊断 | 第24-32页 |
| ·引言 | 第24页 |
| ·最小二乘支持向量机 | 第24-27页 |
| ·最小二乘支持向量机原理 | 第24-25页 |
| ·仿真实验 | 第25-27页 |
| ·基于LS-SVM的故障诊断的模型建立 | 第27-28页 |
| ·样本的采集与处理 | 第27-28页 |
| ·基于LS-SVM故障诊断的基本步骤 | 第28页 |
| ·复杂工业过程中的诊断实例 | 第28-31页 |
| ·实例故障分析 | 第28-29页 |
| ·数据处理 | 第29-30页 |
| ·诊断与结果分析 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 4 基于FCM和LS-SVM的故障诊断研究 | 第32-43页 |
| ·引言 | 第32页 |
| ·模糊C均值聚类 | 第32-34页 |
| ·聚类目标函数 | 第32-33页 |
| ·模糊C均值聚类算法 | 第33-34页 |
| ·基于模糊C均值聚类的LS-SVM算法 | 第34-37页 |
| ·Tennessee Eastman过程仿真实例 | 第37-42页 |
| ·Tennessee Eastman过程简介 | 第37-40页 |
| ·TE过程仿真实例结果分析 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 5 基于PCA和LS-SVM的故障诊断研究 | 第43-56页 |
| ·引言 | 第43页 |
| ·主元分析(PCA) | 第43-45页 |
| ·主元分析原理 | 第43-44页 |
| ·主元分析的计算方法 | 第44-45页 |
| ·主元个数的选取 | 第45页 |
| ·基于PCA的故障监控与诊断 | 第45-47页 |
| ·主元分析主要统计量及其控制界限 | 第45-46页 |
| ·变量贡献图 | 第46-47页 |
| ·基于PCA和LS-SVM的故障诊断方法 | 第47-51页 |
| ·基于PCA和LS-SVM的故障诊断原理 | 第47-49页 |
| ·基于小波变换的去噪方法 | 第49-50页 |
| ·数据的标准化处理 | 第50-51页 |
| ·TE过程诊断实例分析 | 第51-55页 |
| ·数据的小波去噪预处理 | 第51页 |
| ·基于主元模型的故障监控 | 第51-53页 |
| ·基于LS-SVM的故障识别 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-58页 |
| ·研究工作总结 | 第56页 |
| ·工作展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
