| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 课题背景及意义 | 第11-12页 |
| 1.2 故障检测与诊断技术的基本内容与分类 | 第12-16页 |
| 1.2.1 FDD的基本概念与框架 | 第12-13页 |
| 1.2.2 FDD方法分类 | 第13-16页 |
| 1.3 基于数据驱动的FDD技术发展现状 | 第16-19页 |
| 1.3.1 基于机器学习的方法 | 第17-18页 |
| 1.3.2 基于多元统计的方法 | 第18-19页 |
| 1.4 本文的主要内容与结构安排 | 第19-21页 |
| 第二章 慢特征分析的基本原理 | 第21-34页 |
| 2.1 引言 | 第21页 |
| 2.2 主成分分析（PCA） | 第21-25页 |
| 2.2.1 PCA算法 | 第22-24页 |
| 2.2.2 基于PCA的故障检测与诊断 | 第24-25页 |
| 2.3 慢特征分析（SFA） | 第25-33页 |
| 2.3.1 慢特征分析的思想由来 | 第25-28页 |
| 2.3.2 学习问题 | 第28-30页 |
| 2.3.3 慢特征分析算法 | 第30-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 基于核慢特征分析的故障检测 | 第34-55页 |
| 3.1 引言 | 第34页 |
| 3.2 核慢特征分析 | 第34-40页 |
| 3.2.1 核方法原理 | 第35-37页 |
| 3.2.2 核慢特征分析 | 第37-40页 |
| 3.3 基于核慢特征分析的故障检测模型 | 第40-45页 |
| 3.3.1 建立故障检测模型 | 第41-42页 |
| 3.3.2 监控统计量设计 | 第42页 |
| 3.3.3 统计量控制限的确定 | 第42-45页 |
| 3.4 实验仿真 | 第45-54页 |
| 3.4.1 Tennessee Eastman过程实验平台 | 第45-49页 |
| 3.4.2 故障检测性能分析 | 第49-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 基于KSFA-SVM的故障诊断 | 第55-70页 |
| 4.1 引言 | 第55-56页 |
| 4.2 支持向量机原理 | 第56-60页 |
| 4.2.1 SVM的数学框架 | 第56-60页 |
| 4.2.2 基于SVM的多分类策略 | 第60页 |
| 4.3 基于KSFA-SVM的故障诊断模型 | 第60-61页 |
| 4.4 实验仿真 | 第61-69页 |
| 4.4.1 单故障诊断 | 第62-66页 |
| 4.4.2 多故障诊断 | 第66-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 本文研究工作总结 | 第70-71页 |
| 5.2 未来研究展望 | 第71-72页 |
| 参考文献 | 第72-79页 |
| 致谢 | 第79-80页 |
| 攻读硕士学位期间已发表或录用的论文 | 第80页 |