| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 缩写术语表 | 第11-14页 |
| 第一章 绪论 | 第14-28页 |
| 1.1 背景及意义 | 第14页 |
| 1.2 国内外研究现状 | 第14-21页 |
| 1.2.1 基于定性分析的方法 | 第15-17页 |
| 1.2.2 基于模型的故障诊断方法 | 第17-18页 |
| 1.2.3 基于数据驱动的故障诊断方法 | 第18-21页 |
| 1.3 本课题研究现状及分析 | 第21-24页 |
| 1.3.1 故障检测 | 第21-23页 |
| 1.3.2 故障隔离 | 第23-24页 |
| 1.4 本文的研究内容和各章节安排 | 第24-28页 |
| 第二章 基于随机投影和k近邻的快速故障检测方法 | 第28-52页 |
| 2.1 引言 | 第28-30页 |
| 2.2 相关方法介绍 | 第30-36页 |
| 2.2.1 基于PCA的故障检测方法 | 第30-33页 |
| 2.2.2 基于k近邻的故障检测方法 | 第33-34页 |
| 2.2.3 基于主成分和k近邻的故障检测方法 | 第34-36页 |
| 2.3 利用随机投影进行降维 | 第36-39页 |
| 2.3.1 PCA不保距性的分析 | 第36-38页 |
| 2.3.2 随机投影的保距性 | 第38-39页 |
| 2.4 基于随机投影和k近邻的故障检测方法 | 第39-43页 |
| 2.4.1 基于随机投影和k近邻的故障检测算法 | 第39-41页 |
| 2.4.2 如何选择维度L | 第41-43页 |
| 2.5 工业实例验证 | 第43-49页 |
| 2.5.1 数据集 | 第43页 |
| 2.5.2 数据预处理 | 第43-44页 |
| 2.5.3 故障检测结果 | 第44-46页 |
| 2.5.4 比较投影方法的保距性 | 第46-47页 |
| 2.5.5 比较算法运行时间 | 第47-49页 |
| 2.6 本章小结 | 第49-52页 |
| 第三章 基于k近邻的故障隔离方法 | 第52-70页 |
| 3.1 引言 | 第52-54页 |
| 3.2 PCA框架下的故障隔离方法 | 第54-57页 |
| 3.2.1 完全分解贡献(CDC) | 第54页 |
| 3.2.2 局部分解贡献(PDC) | 第54页 |
| 3.2.3 基于重构的贡献(RBC) | 第54-55页 |
| 3.2.4 可隔离性分析 | 第55-57页 |
| 3.3 基于k近邻的故障变量隔离方法 | 第57-58页 |
| 3.3.1 基于k近邻的变量贡献量 | 第57-58页 |
| 3.3.2 基于k近邻的变量贡献量的控制限 | 第58页 |
| 3.4 基于k近邻的变量贡献的可隔离性分析 | 第58-60页 |
| 3.4.1 单故障 | 第59页 |
| 3.4.2 多故障 | 第59-60页 |
| 3.5 实验验证 | 第60-67页 |
| 3.5.1 数值仿真 | 第60-62页 |
| 3.5.2 Tennessee Eastman过程实验研究 | 第62-67页 |
| 3.6 本章小结 | 第67-70页 |
| 3.6.1 讨论 | 第67页 |
| 3.6.2 小结 | 第67-70页 |
| 第四章 基于k近邻回归的故障重构方法 | 第70-88页 |
| 4.1 引言 | 第70-72页 |
| 4.2 基于PCA的故障重构方法 | 第72-81页 |
| 4.2.1 基于PCA的故障重构方法的理论分析 | 第72-76页 |
| 4.2.2 数值仿真 | 第76-81页 |
| 4.3 基于k近邻回归的故障重构方法 | 第81-85页 |
| 4.3.1 基于k近邻回归的故障重构方法 | 第81-83页 |
| 4.3.2 改进的基于k近邻回归的故障重构方法 | 第83-84页 |
| 4.3.3 数值仿真 | 第84-85页 |
| 4.4 本章小结 | 第85-88页 |
| 第五章 总结和展望 | 第88-92页 |
| 5.1 总结 | 第88-89页 |
| 5.2 未来工作展望 | 第89-92页 |
| 参考文献 | 第92-102页 |
| 致谢 | 第102-104页 |
| 作者简历 | 第104-106页 |
| 攻读博士期间完成的学术论文 | 第106-108页 |
| 攻读博士期间参与的科研项目 | 第108页 |