| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-23页 |
| ·故障检测与诊断技术研究的意义 | 第11-12页 |
| ·集合故障检测与诊断技术研究现状及发展趋势 | 第12-22页 |
| ·单一型故障检测与诊断方法及局限 | 第15-19页 |
| ·集合故障检测与诊断技术研究现状 | 第19-20页 |
| ·集合故障检测与诊断技术发展趋势 | 第20-22页 |
| ·本文完成的主要工作 | 第22-23页 |
| 第二章 集合型实时故障检测与诊断总体设计 | 第23-30页 |
| ·引言 | 第23页 |
| ·集合型实时故障检测与诊断基本结构 | 第23页 |
| ·数据实时预处理与降噪技术 | 第23-26页 |
| ·增量式故障特征提取技术 | 第26-27页 |
| ·在线故障判别准则 | 第27-28页 |
| ·在线分类与聚类技术 | 第28-29页 |
| ·小结 | 第29-30页 |
| 第三章 高斯过程实时故障检测改进方法 | 第30-42页 |
| ·引言 | 第30页 |
| ·基于提升小波双变量阈值实时降噪方法 | 第30-33页 |
| ·时变过程LW-MWPCA实时故障检测方法 | 第33-36页 |
| ·动态非线性过程LW-DKPCA故障检测方法 | 第36-39页 |
| ·间歇过程LW-MPCA故障检测方法 | 第39-41页 |
| ·小结 | 第41-42页 |
| 第四章 高斯过程实时故障诊断改进方法 | 第42-57页 |
| ·引言 | 第42页 |
| ·基于提升小波和自适应递推LSSVM的实时故障诊断方法 | 第42-46页 |
| ·带遗忘因子自适应递推最小二乘支持向量机 | 第42-44页 |
| ·自适应递推最小二乘支持向量机递推式公式推导 | 第44-46页 |
| ·LW-ARLSSVM实时故障诊断方法 | 第46页 |
| ·基于提升小波和增量概率神经网络的实时故障诊断方法 | 第46-50页 |
| ·增量概率神经网络 | 第46-49页 |
| ·LW-IPNN实时故障诊断方法 | 第49-50页 |
| ·基于提升小波和增量聚类实时故障诊断方法 | 第50-56页 |
| ·增量式聚类 | 第50-54页 |
| ·LW-ICLUSTER实时故障诊断方法 | 第54-56页 |
| ·小结 | 第56-57页 |
| 第五章 非高斯过程快速故障检测与诊断改进方法 | 第57-66页 |
| ·引言 | 第57页 |
| ·LW-FICA故障检测方法 | 第57-63页 |
| ·FICA和在线机器学习快速故障诊断方法 | 第63页 |
| ·LW-FICA-ARLSSVM故障诊断方法 | 第63页 |
| ·LW-FICA-IPNN故障诊断方法 | 第63页 |
| ·小结 | 第63-66页 |
| 第六章 集合型故障检测与诊断方法实验研究 | 第66-129页 |
| ·引言 | 第66页 |
| ·实验研究对象 | 第66-74页 |
| ·数值仿真过程 | 第66-70页 |
| ·TE过程 | 第70-72页 |
| ·青霉素发酵过程 | 第72-73页 |
| ·电机轴承振动过程 | 第73-74页 |
| ·高斯过程实时故障检测改进方法实验研究 | 第74-85页 |
| ·LW-MWPCA故障检测方法实验研究 | 第74-79页 |
| ·LW-DKPCA故障检测方法实验研究 | 第79-83页 |
| ·LW-MPCA故障检测方法实验研究 | 第83-85页 |
| ·高斯过程实时故障诊断改进方法实验研究 | 第85-113页 |
| ·LW-ARLSSVM实时故障诊断方法实验研究 | 第85-100页 |
| ·LW-IPNN实时故障诊断方法实验研究 | 第100-111页 |
| ·LW-ICLUSTER实时故障诊断方法实验研究 | 第111-113页 |
| ·非高斯过程快速故障诊断改进方法实验研究 | 第113-128页 |
| ·LW-FICA-ARLSSVM故障诊断方法实验研究 | 第113-121页 |
| ·LW-FICA-IPNN故障诊断方法实验研究 | 第121-128页 |
| ·小结 | 第128-129页 |
| 第七章 结论与展望 | 第129-131页 |
| ·结论 | 第129页 |
| ·本文创新性工作 | 第129-130页 |
| ·未来研究展望 | 第130-131页 |
| 致谢 | 第131-132页 |
| 参考文献 | 第132-140页 |
| 攻读博士学位期间发表的论文 | 第140-142页 |
| 攻读博士学位期间参加的科研项目 | 第142页 |
