| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 故障诊断的概述及主要方法 | 第10-12页 |
| 1.2.1 故障诊断概述 | 第10-11页 |
| 1.2.2 故障诊断主要方法 | 第11-12页 |
| 1.3 工业过程故障诊断 | 第12-14页 |
| 1.3.1 工业过程的复杂性 | 第12页 |
| 1.3.2 工业过程故障诊断特点 | 第12-13页 |
| 1.3.3 工业过程故障诊断研究现状 | 第13-14页 |
| 1.4 本文的主要研究内容及论文结构 | 第14-17页 |
| 2 田纳西-伊斯曼工业过程描述 | 第17-25页 |
| 2.1 TE工业过程工艺流程 | 第17-18页 |
| 2.2 TE过程中的过程变量 | 第18-20页 |
| 2.3 TE过程的故障说明 | 第20-22页 |
| 2.4 TE过程数据集的产生 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 3 基于多变量统计的故障特征提取方法研究 | 第25-53页 |
| 3.1 主元分析方法 | 第27-33页 |
| 3.1.1 主元分析方法基本原理 | 第27-31页 |
| 3.1.2 主元分析中的统计量 | 第31-33页 |
| 3.1.3 主元分析的特征提取方法在故障检测中的应用 | 第33页 |
| 3.2 核主元分析方法 | 第33-38页 |
| 3.2.1 核方法的基本原理 | 第34-35页 |
| 3.2.2 核主元分析方法基本原理 | 第35-37页 |
| 3.2.3 核主元分析统计量 | 第37-38页 |
| 3.2.4 核主元分析的特征提取方法在故障检测中的应用 | 第38页 |
| 3.3 基于核函数组合的改进KPCA分析方法 | 第38-40页 |
| 3.3.1 组合KPCA的研究思路 | 第38-39页 |
| 3.3.2 组合KPCA的特征提取方法在故障检测中的应用 | 第39-40页 |
| 3.4 基于统计分析方法的故障特征提取效果评价 | 第40页 |
| 3.5 实验结果及分析 | 第40-50页 |
| 3.5.1 基于PCA统计量的检测结果 | 第40-43页 |
| 3.5.2 基于KPCA统计量的检测结果 | 第43-46页 |
| 3.5.3 基于组合KPCA统计量的检测结果 | 第46-49页 |
| 3.5.4 检测结果对比分析 | 第49-50页 |
| 3.6 本章小结 | 第50-53页 |
| 4 基于极限学习机及其改进算法的分类方法研究 | 第53-65页 |
| 4.1 极限学习机理论 | 第53-57页 |
| 4.1.1 人工神经网络概述 | 第53-54页 |
| 4.1.2 极限学习机原理分析 | 第54-57页 |
| 4.2 传统极限学习机的不足与改进方法 | 第57-60页 |
| 4.2.1 传统极限学习机的缺陷 | 第57页 |
| 4.2.2 改进极限学习机的思路及理论推导 | 第57-59页 |
| 4.2.3 改进极限学习机神经网络模型的建立 | 第59-60页 |
| 4.3 ELM和改进ELM性能验证 | 第60-63页 |
| 4.3.1 实验环境和数据集 | 第60-61页 |
| 4.3.2 实验结果分析对比 | 第61-63页 |
| 4.4 本章小结 | 第63-65页 |
| 5 基于组合KPCA与改进ELM的故障诊断研究 | 第65-75页 |
| 5.1 故障诊断模型的建立 | 第65-66页 |
| 5.1.1 组合KPCA和改进ELM结合的可行性分析 | 第65页 |
| 5.1.2 故障诊断模型的构建 | 第65-66页 |
| 5.2 基于组合KPCA与ELM的故障诊断仿真 | 第66-69页 |
| 5.3 基于组合KPCA与改进ELM的故障诊断仿真 | 第69-73页 |
| 5.4 本章小结 | 第73-75页 |
| 6 研究总结与展望 | 第75-77页 |
| 6.1 研究工作总结 | 第75-76页 |
| 6.2 研究工作展望 | 第76-77页 |
| 致谢 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 附录 | 第83页 |
| A. 攻读硕士学位期间发表的学术论文 | 第83页 |
| B. 攻读硕士学位期间申请的发明专利 | 第83页 |
| C. 攻读硕士学位期间参与的工程项目 | 第83页 |
