| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-20页 |
| ·工业过程故障诊断概况 | 第10-13页 |
| ·工业过程故障诊断的意义 | 第10-11页 |
| ·工业过程故障诊断的内容 | 第11-12页 |
| ·工业过程故障诊断的步骤 | 第12页 |
| ·国内外故障诊断的研究情况 | 第12-13页 |
| ·工业过程故障诊断方法分类 | 第13-18页 |
| ·基于数学模型的方法 | 第13-15页 |
| ·不依赖于数学模型的方法 | 第15-18页 |
| ·本文的主要工作 | 第18-20页 |
| 第2章 田纳西-伊斯曼工业过程 | 第20-26页 |
| ·TE过程工艺流程图 | 第20-21页 |
| ·TE过程变量 | 第21-23页 |
| ·过程故障 | 第23-24页 |
| ·数据集 | 第24页 |
| ·本章小结 | 第24-26页 |
| 第3章 基于数据的故障检测方法 | 第26-38页 |
| ·主元分析 | 第26-33页 |
| ·主元分析方法的基本思想及涵义 | 第26-27页 |
| ·提取主元的理论推导 | 第27-29页 |
| ·主元个数的确定方法 | 第29-31页 |
| ·提取主元的计算步骤 | 第31-32页 |
| ·基于PCA的多元统计故障检测方法 | 第32-33页 |
| ·核主元分析 | 第33-37页 |
| ·核主元分析算法 | 第33-36页 |
| ·核函数的选择 | 第36页 |
| ·基于KPCA的故障检测方法 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 统计学习理论和支持向量机 | 第38-54页 |
| ·机器学习的基本问题 | 第38-41页 |
| ·系统构成 | 第38-40页 |
| ·经验风险最小化 | 第40页 |
| ·复杂性与推广能力 | 第40-41页 |
| ·统计学习理论 | 第41-45页 |
| ·函数集的VC维 | 第41-42页 |
| ·推广能力的界 | 第42-43页 |
| ·结构风险最小化 | 第43-45页 |
| ·支持向量机 | 第45-53页 |
| ·线性支持向量机 | 第45-50页 |
| ·非线性支持向量机 | 第50-52页 |
| ·支持向量机与人工神经网络的比较 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第5章 KPCA与SVM在TEP故障诊断中的应用研究 | 第54-70页 |
| ·PCA在TEP故障检测中的应用研究 | 第54-59页 |
| ·PCA故障检测方法的训练过程 | 第54-55页 |
| ·在线故障检测 | 第55页 |
| ·检测结果分析 | 第55-59页 |
| ·KPCA在TEP故障检测中的应用研究 | 第59-63页 |
| ·KPCA故障检测方法的训练过程 | 第59-60页 |
| ·KPCA在线检测 | 第60页 |
| ·检测结果分析 | 第60-63页 |
| ·PCA、KPCA故障检测效果对比分析 | 第63页 |
| ·SVM在TEP故障诊断中的应用研究 | 第63-68页 |
| ·多类支持向量机的设计 | 第63-64页 |
| ·SVM在TEP过程中的应用研究 | 第64-66页 |
| ·与特征提取相结合的SVM在TEP过程中的故障诊断 | 第66-68页 |
| ·本章小结 | 第68-70页 |
| 第6章 总结与展望 | 第70-72页 |
| ·总结 | 第70-71页 |
| ·展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76页 |