| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究的背景及意义 | 第9页 |
| 1.2 间歇故障诊断综述 | 第9-11页 |
| 1.2.1 多元统计分析方法 | 第10-11页 |
| 1.2.2 机器学习分析方法 | 第11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.4 本文研究的内容 | 第13-14页 |
| 2 基于传统时段划分的间歇过程故障诊断 | 第14-25页 |
| 2.1 多模态间歇过程 | 第14-17页 |
| 2.1.1 间歇过程的数据特点 | 第14页 |
| 2.1.2 间歇过程数据展开方式 | 第14-15页 |
| 2.1.3 间歇过程的故障诊断方式 | 第15-17页 |
| 2.2 传统时段划分方法 | 第17-20页 |
| 2.2.1 传统时段硬划分方法 | 第17-18页 |
| 2.2.2 传统时段软划分方法 | 第18-20页 |
| 2.3 PCA故障诊断方法的基本原理 | 第20-23页 |
| 2.3.1 PCA故障诊断模型的建立 | 第20-21页 |
| 2.3.2 SPE 与 Hotelling T2控制限与统计量的确定 | 第21-22页 |
| 2.3.3 基于传统时段划分的PCA故障诊断 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 3 基于 K-means 最佳聚类的间歇过程故障诊断 | 第25-38页 |
| 3.1 改进的时段软划分方法 | 第25-28页 |
| 3.1.1 基于最佳聚类的 K-means 方法 | 第25-27页 |
| 3.1.2 基于最佳聚类 K-Means 的时段软划分 | 第27-28页 |
| 3.2 MPCA故障诊断方法 | 第28-30页 |
| 3.2.1 MPCA故障诊断方法 | 第28-29页 |
| 3.2.2 基于最佳聚类 K-means 的 MPCA 故障诊断 | 第29-30页 |
| 3.3仿真与实验 | 第30-37页 |
| 3.3.1 实验环境 | 第30-32页 |
| 3.3.2 时段软划分对比 | 第32-35页 |
| 3.3.3 类内与类间距离 | 第35-36页 |
| 3.3.4 仿真结果分析 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 基于随机投影的kNN过渡时段故障诊断 | 第38-49页 |
| 4.1 过渡时段的数据特征 | 第38-39页 |
| 4.2 基于FD-kNN规则的过渡时段故障诊断 | 第39-41页 |
| 4.2.1 kNN基本原理 | 第39页 |
| 4.2.2 基于FD-kNN规则的过渡时段故障诊断 | 第39-41页 |
| 4.3 基于随机投影的kNN过渡时段故障诊断 | 第41-43页 |
| 4.3.1 随机投影基本原理 | 第41-43页 |
| 4.3.2 基于随机投影的kNN过渡时段故障诊断 | 第43页 |
| 4.4仿真与实验 | 第43-47页 |
| 4.4.1 数据处理 | 第43-44页 |
| 4.4.2 PCA与随机投影降维比较 | 第44-45页 |
| 4.4.3 不同诊断方式的 FAR 与 FDR 比较 | 第45-46页 |
| 4.4.4 小样本故障诊断比较 | 第46-47页 |
| 4.5 本章小结 | 第47-49页 |
| 5 结论 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 不足与展望 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间取得的科研成果清单 | 第58页 |
