| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题的研究背景及意义 | 第10-11页 |
| 1.2 国内外的研究现状 | 第11-12页 |
| 1.2.1 故障诊断发展状况 | 第11页 |
| 1.2.2 过程监控的概念 | 第11-12页 |
| 1.3 啤酒生产与发酵过程监控与故障诊断的需求 | 第12-13页 |
| 1.4 本文主要研究内容 | 第13-14页 |
| 第2章 独立成分分析与支持向量机理论 | 第14-26页 |
| 2.1 独立成分分析 | 第14-22页 |
| 2.1.1 独立成分分析定义 | 第14-15页 |
| 2.1.2 独立性定义 | 第15页 |
| 2.1.3 ICA估计方法 | 第15-19页 |
| 2.1.4 ICA方法的步骤 | 第19页 |
| 2.1.5 ICA的算法 | 第19-22页 |
| 2.2 支持向量机原理 | 第22-24页 |
| 2.2.1 支持向量机特点 | 第24页 |
| 2.2.2 支持向量机的不足 | 第24页 |
| 2.3 本章小结 | 第24-26页 |
| 第3章 ICA-SVM过程监控方法与仿真 | 第26-43页 |
| 3.1 ICA和SVM集成故障诊断方法的提出 | 第26页 |
| 3.2 ICA和SVM集成故障诊断方法 | 第26-30页 |
| 3.2.1 独立成分分析算法 | 第26-27页 |
| 3.2.2 独立成分分析的在线故障检测方法 | 第27-28页 |
| 3.2.3 统计贡献率的在线故障识别方法 | 第28-30页 |
| 3.3 支持向量机(SVM)的故障诊断技术的概述 | 第30-37页 |
| 3.3.1 SVM的分类算法 | 第30-32页 |
| 3.3.2 多分类的支持向量机算法概述 | 第32页 |
| 3.3.3 基于ICA-SVM的故障诊断框架 | 第32-35页 |
| 3.3.4 ICA-SVM算法 | 第35-37页 |
| 3.4 ICA在线故障检测仿真实验 | 第37-40页 |
| 3.5 SVM的故障分类 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 ICA-SVM故障诊断模型在啤酒发酵过程监控中的应用 | 第43-53页 |
| 4.1 实验室啤酒生产工艺 | 第43-45页 |
| 4.1.1 啤酒发酵原理 | 第43-44页 |
| 4.1.2 实验室啤酒生产和发酵装置简介 | 第44-45页 |
| 4.2 实验室啤酒生产和发酵装置控制系统简介 | 第45-51页 |
| 4.2.1 实验室啤酒发酵过程的数据采集与实验步骤 | 第46-47页 |
| 4.2.2 ICA-SVM在啤酒发酵过程中的仿真实验 | 第47-51页 |
| 4.3 本次实验结果与过去实验结果对比 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间发表的成果 | 第57-58页 |
| 致谢 | 第58页 |
