| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-6页 |
| 附录一 使用符号 | 第6-7页 |
| 第一章 绪论 | 第7-11页 |
| 1．1 当前青霉素发酵过程工艺的发展现状 | 第7-8页 |
| 1．2 非线性系统故障检测与故障诊断技术的发展现状 | 第8-9页 |
| 1．3 研究的意义 | 第9-10页 |
| 1．4 主要工作 | 第10-11页 |
| 第二章 青霉素发酵过程的简介 | 第11-21页 |
| 2．1 青霉素发酵过程的简介 | 第11-13页 |
| 2．2 青霉素发酵反应的参数 | 第13-18页 |
| 2．2．1 发酵过程物理参数 | 第14-15页 |
| 2．2．2 化学参数 | 第15页 |
| 2．2．3 生物参数 | 第15页 |
| 2．2．4 呼吸代谢参数 | 第15-16页 |
| 2．2．5 微生物发酵热 | 第16-17页 |
| 2．2．6 生物质浓度 | 第17页 |
| 2．2．7 产物浓度 | 第17-18页 |
| 2．3 青霉素过程控制方法简介 | 第18-20页 |
| 2．3．1 消泡控制 | 第18-19页 |
| 2．3．2 发酵温度控制 | 第19页 |
| 2．3．3 发酵罐压力控制 | 第19页 |
| 2．3．4 发酵过程PH控制 | 第19页 |
| 2．3．5 溶解氧浓度控制 | 第19-20页 |
| 2．3．6 补料控制 | 第20页 |
| 2．4 小结 | 第20-21页 |
| 第三章 青霉素发酵过程的数学模型 | 第21-28页 |
| 3．1 青霉素发酵过程的动力学分析 | 第21-24页 |
| 3．2 青霉素发酵过程的数学模型 | 第24-26页 |
| 3．3 针对故障检测的青霉素发酵过程的数学模型 | 第26-28页 |
| 第四章 建立基于强跟踪卡尔曼滤波的故障检测模型 | 第28-45页 |
| 4．1 非线性滤波器的特点 | 第28-34页 |
| 4．1．1 自适应非线性观测器的方法 | 第28-29页 |
| 4．1．2 扩展卡尔曼滤波器的方法 | 第29-31页 |
| 4．1．3 自适应卡尔曼滤波器的方法 | 第31页 |
| 4．1．4 非线性位置输入观测器方法 | 第31-32页 |
| 4．1．5 强跟踪滤波器 | 第32-34页 |
| 4．2 强跟踪参数估计卡尔曼滤波器原理 | 第34-35页 |
| 4．3 青霉素发酵过程的强跟踪参数估计滤波器的建立 | 第35-42页 |
| 4．4 检测模型的仿真与结论 | 第42-45页 |
| 4．4．1 检测模型的仿真 | 第42-43页 |
| 4．4．2 结论 | 第43-45页 |
| 第五章 基于神经元网络的故障诊断模型 | 第45-52页 |
| 5．1 诊断模型的建立 | 第45-47页 |
| 5．2 BP网的构成 | 第47-49页 |
| 5．3 基于BP网的故障诊断模型的仿真 | 第49-51页 |
| 5．4 结论 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-55页 |