| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第13-29页 |
| 1.1 课题背景及意义 | 第13-14页 |
| 1.2 本文涉及的基本概念 | 第14-15页 |
| 1.3 本课题国内外研究现状 | 第15-23页 |
| 1.3.1 故障诊断技术的发展现状 | 第15-16页 |
| 1.3.2 轧钢过程故障诊断研究现状 | 第16-23页 |
| 1.4 基于多元统计分析的故障诊断方法研究现状 | 第23-26页 |
| 1.5 本文主要工作 | 第26-29页 |
| 第二章 多元统计分析故障诊断和质量预报的基本理论 | 第29-39页 |
| 2.1 引言 | 第29页 |
| 2.2 数据的预处理 | 第29-30页 |
| 2.3 多元统计分析主要方法 | 第30-34页 |
| 2.3.1 主元分析方法 | 第30-32页 |
| 2.3.2 偏最小二乘方法 | 第32-34页 |
| 2.4 基于多元统计的状态监测 | 第34-35页 |
| 2.5 基于多元统计的故障分离 | 第35-36页 |
| 2.6 基于统计回归的质量预报 | 第36-39页 |
| 第三章 基于马氏距离相对变换偏最小二乘的轧钢过程状态监测 | 第39-59页 |
| 3.1 引言 | 第39-40页 |
| 3.2 基于马氏距离相对变换的偏最小二乘统计建模 | 第40-44页 |
| 3.2.1 马氏距离相对变换的基本思想 | 第40-43页 |
| 3.2.2 基于马氏距离相对变换的偏最小二乘统计建模步骤 | 第43-44页 |
| 3.3 基于马氏距离相对变换偏最小二乘的轧钢过程状态监测 | 第44-46页 |
| 3.3.1 监测统计量和统计控制限的确定 | 第44-45页 |
| 3.3.2 基于马氏距离相对变换偏最小二乘的轧钢过程状态监测步骤 | 第45页 |
| 3.3.3 基于马氏距离相对变换偏最小二乘方法的计算复杂度分析 | 第45-46页 |
| 3.4 仿真实例 | 第46-56页 |
| 3.4.1 概述 | 第46-49页 |
| 3.4.2 仿真结果与分析 | 第49-56页 |
| 3.5 本章小结 | 第56-59页 |
| 第四章 基于改进动态核主元分析结合独立元分析的状态监测和故障分离 | 第59-77页 |
| 4.1 引言 | 第59-61页 |
| 4.2 动态主元分析和核主元分析方法 | 第61-63页 |
| 4.2.1 动态主元分析方法 | 第61-62页 |
| 4.2.2 核主元分析方法 | 第62-63页 |
| 4.3 独立元分析方法 | 第63-66页 |
| 4.3.1 独立元分析方法基本概念 | 第63-64页 |
| 4.3.2 独立元分析方法实现步骤 | 第64-65页 |
| 4.3.3 监控统计量和统计控制限的确定 | 第65-66页 |
| 4.4 基于改进动态核主元分析结合独立元分析的状态监测和故障分离方法 | 第66-69页 |
| 4.4.1 基于改进动态核主元分析结合独立元分析方法的统计建模 | 第67页 |
| 4.4.2 基于改进动态核主元分析结合独立元分析的状态监测和故障分离方法 | 第67-69页 |
| 4.5 仿真实例 | 第69-74页 |
| 4.5.1 概述 | 第69-70页 |
| 4.5.2 仿真结果与分析 | 第70-74页 |
| 4.6 本章小结 | 第74-77页 |
| 第五章 基于优化策略的KFDA的状态监测和故障识别 | 第77-105页 |
| 5.1 引言 | 第77-78页 |
| 5.2 基于KFDA的故障识别 | 第78-84页 |
| 5.2.1 FDA的基本原理 | 第78-80页 |
| 5.2.2 KFDA方法的基本原理 | 第80-83页 |
| 5.2.3 基于KFDA的状态监测和故障识别 | 第83-84页 |
| 5.3 基于改进生物地理学优化算法的核参数优化和特征样本选取 | 第84-92页 |
| 5.3.1 生物地理学优化算法 | 第84-87页 |
| 5.3.2 改进生物地理学优化算法 | 第87-90页 |
| 5.3.3 核参数优化和特征样本选取 | 第90-92页 |
| 5.4 基于优化策略的核费舍尔判别分析状态监测和故障识别 | 第92-94页 |
| 5.5 仿真实例 | 第94-103页 |
| 5.5.1 概述 | 第94-95页 |
| 5.5.2 仿真结果与分析 | 第95-103页 |
| 5.6 本章小结 | 第103-105页 |
| 第六章 基于非线性特征提取和回归的故障诊断与质量预报 | 第105-123页 |
| 6.1 引言 | 第105-106页 |
| 6.2 基于核偏最小二乘的非线性特征提取和回归 | 第106-108页 |
| 6.2.1 基于核偏最小二乘的非线性特征提取 | 第106-107页 |
| 6.2.2 基于核偏最小二乘的非线性回归 | 第107-108页 |
| 6.3 费舍尔判别分析方法介绍 | 第108页 |
| 6.4 基于非线性特征提取和回归的故障诊断与质量预报 | 第108-112页 |
| 6.4.1 质量预报中核偏最小二乘与费舍尔判别分析的关系 | 第108-109页 |
| 6.4.2 基于非线性特征提取和回归的故障诊断与质量预报统计建模 | 第109-111页 |
| 6.4.3 基于非线性特征提取和回归的故障诊断与质量预报 | 第111-112页 |
| 6.5 仿真实例 | 第112-120页 |
| 6.5.1 概述 | 第112-113页 |
| 6.5.2 仿真结果与分析 | 第113-120页 |
| 6.6 本章小结 | 第120-123页 |
| 第七章 总结与展望 | 第123-127页 |
| 参考文献 | 第127-139页 |
| 致谢 | 第139-141页 |
| 攻读博士学位期间的主要工作 | 第141-144页 |
| 个人简历 | 第144页 |
