| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 国内外发展历史和现状 | 第11-13页 |
| 1.3 故障诊断基本方法 | 第13-16页 |
| 1.3.1 故障诊断定性分析方法 | 第13-14页 |
| 1.3.2 故障诊断定量分析方法 | 第14-16页 |
| 1.4 本文的主要内容和章节安排 | 第16-18页 |
| 第2章 故障诊断BP神经网络设计 | 第18-35页 |
| 2.1 人工神经网络概述 | 第18-21页 |
| 2.1.1 人工神经元基本模型 | 第18-19页 |
| 2.1.2 人工神经网络类型 | 第19-20页 |
| 2.1.3 神经元学习规则 | 第20-21页 |
| 2.2 BP神经网络 | 第21-25页 |
| 2.2.1 单层感知器训练规则 | 第21-22页 |
| 2.2.2 多层BP神经网络训练法则 | 第22-24页 |
| 2.2.3 经典BP训练学习算法的局限性 | 第24-25页 |
| 2.3 BP神经网络反向学习算法的改进 | 第25-28页 |
| 2.3.1 引入动量项 | 第25-26页 |
| 2.3.2 可变学习速率 | 第26页 |
| 2.3.3 共轭梯度数值优化算法 | 第26-27页 |
| 2.3.4 Levenberg-Marquardt数值优化算法 | 第27-28页 |
| 2.4 改进算法对比仿真实验 | 第28-32页 |
| 2.4.1 过程数据的归一化处理 | 第28-29页 |
| 2.4.2 BP网络结构设计原则 | 第29-30页 |
| 2.4.3 实验与仿真分析 | 第30-32页 |
| 2.5 诊断数据的BP训练与测试 | 第32-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第3章 粗糙集属性约简优化研究 | 第35-49页 |
| 3.1 粗糙集RS-BP神经网络结合原理 | 第35页 |
| 3.2 粗糙集基本原理 | 第35-38页 |
| 3.2.1 粗糙集概念 | 第35-37页 |
| 3.2.2 粗糙集的属性约简 | 第37页 |
| 3.2.3 属性依赖度定义 | 第37-38页 |
| 3.3 遗传算法 | 第38-41页 |
| 3.3.1 遗传算法原理 | 第38页 |
| 3.3.2 遗传算法优化步骤 | 第38-41页 |
| 3.4 粗糙集约简算法研究 | 第41-43页 |
| 3.4.1 基于正域的一般属性约简方法 | 第41-42页 |
| 3.4.2 遗传算法优化属性约简研究 | 第42页 |
| 3.4.3 改进属性依赖度GA的约简算法 | 第42-43页 |
| 3.5 粗糙集RS-BP神经网络故障诊断仿真研究 | 第43-48页 |
| 3.5.1 决策表遗传算法属性约简 | 第43-46页 |
| 3.5.2 实验分析 | 第46-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第4章 聚合釜故障诊断优化设计与仿真 | 第49-62页 |
| 4.1 聚合设备问题收集和故障树建立 | 第49-51页 |
| 4.2 故障诊断属性约简过程 | 第51-54页 |
| 4.2.1 故障诊断属性统计与分析 | 第51-53页 |
| 4.2.2 过程属性变量离散化过程 | 第53-54页 |
| 4.2.3 粗糙集属性约简 | 第54页 |
| 4.3 BP神经网络初始参数设定方法 | 第54-56页 |
| 4.3.1 基于测试误差的传统BP神经网络训练 | 第54-55页 |
| 4.3.2 GA算法对BP网络初始参数改进优化设计 | 第55-56页 |
| 4.3.3 BP网络初始参数优化过程 | 第56页 |
| 4.4 遗传算法优化RS-BP神经网络故障诊断设计流程 | 第56-57页 |
| 4.5 仿真分析 | 第57-61页 |
| 4.6 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第68-69页 |
| 致谢 | 第69页 |
