| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究的背景与意义 | 第10-11页 |
| 1.2 动态系统故障检测方法综述 | 第11-12页 |
| 1.3 间歇生产过程特点 | 第12-14页 |
| 1.3.1 间歇过程特征 | 第12-13页 |
| 1.3.2 间歇过程数据特点 | 第13-14页 |
| 1.4 课题研究现状 | 第14-15页 |
| 1.5 论文的研究内容及安排 | 第15-17页 |
| 第二章 基于多向主元分析的间歇过程故障检测 | 第17-35页 |
| 2.1 主元分析 | 第17-23页 |
| 2.1.1 主元分析理论概述 | 第17-19页 |
| 2.1.2 主元分析算法 | 第19-22页 |
| 2.1.3 主元个数的确定方法 | 第22页 |
| 2.1.4 主元分析的建模过程 | 第22-23页 |
| 2.2 基于PCA的故障检测 | 第23-25页 |
| 2.2.1 PCA主要检测统计量 | 第23-25页 |
| 2.2.2 统计结果说明 | 第25页 |
| 2.3 基于MPCA的间歇过程故障检测 | 第25-29页 |
| 2.3.1 多向主元分析理论 | 第25-26页 |
| 2.3.2 基于批次展开的MPCA | 第26-28页 |
| 2.3.3 基于变量展开的MPCA | 第28-29页 |
| 2.4 青霉素发酵实验平台 | 第29-33页 |
| 2.4.1 基于Pensim2.0 的仿真环境设计 | 第30-31页 |
| 2.4.2 仿真数据说明 | 第31-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第三章 基于多时段划分的MPCA故障检测 | 第35-50页 |
| 3.1 引言 | 第35页 |
| 3.2 多时段MPCA方法 | 第35-39页 |
| 3.2.1 多时段的MPCA建模 | 第36-37页 |
| 3.2.2 K-means聚类算法 | 第37-38页 |
| 3.2.3 K-means聚类法的距离计算 | 第38-39页 |
| 3.3 基于改进K-means的多时段划分 | 第39-43页 |
| 3.3.1 最大最小距离法确定初始中心 | 第39-40页 |
| 3.3.2 轮廓系数确定最佳聚类数 | 第40页 |
| 3.3.3 改进的K-means算法 | 第40-43页 |
| 3.4 多时段划分的MPCA用于间歇过程检测步骤 | 第43-44页 |
| 3.4.1 模型建立 | 第43页 |
| 3.4.2 故障检测 | 第43-44页 |
| 3.5 仿真结果 | 第44-49页 |
| 3.5.1 正常生产条件下的发酵过程仿真 | 第44页 |
| 3.5.2 两种MPCA算法仿真比较 | 第44-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 基于ICA-KNN的间歇过程故障检测 | 第50-65页 |
| 4.1 引言 | 第50页 |
| 4.2 ICA-KNN故障检测方法 | 第50-55页 |
| 4.2.1 数据预处理 | 第51页 |
| 4.2.2 独立主元分析 | 第51-53页 |
| 4.2.3 KNN算法 | 第53-55页 |
| 4.3 基于多时段的ICA-KNN故障检测 | 第55-58页 |
| 4.3.1 ICA-KNN故障检测流程 | 第55-57页 |
| 4.3.2 多时段的划分 | 第57-58页 |
| 4.4 仿真实验及结果分析 | 第58-63页 |
| 4.5 本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 全文总结 | 第65页 |
| 5.2 工作展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间取得的成果 | 第72-73页 |