| 摘要 | 第1-8页 |
| ABSTRACT | 第8-12页 |
| 第一章 绪论 | 第12-22页 |
| ·研究背景与意义 | 第12-13页 |
| ·工业过程故障诊断主要方法 | 第13-15页 |
| ·故障诊断的基本概念 | 第13-14页 |
| ·故障诊断主要方法 | 第14-15页 |
| ·基于多元统计的故障诊断技术发展现状 | 第15-19页 |
| ·枚举类方法 | 第16-17页 |
| ·降维类方法 | 第17-19页 |
| ·智能故障诊断技术 | 第19-20页 |
| ·论文主要研究内容和结构安排 | 第20-22页 |
| ·研究内容 | 第20-21页 |
| ·本文结构安排 | 第21-22页 |
| 第二章 多元统计故障诊断的数学方法 | 第22-34页 |
| ·多变量控制图理论 | 第22-25页 |
| ·多变量控制图简介 | 第22-23页 |
| ·Hotelling T~2 控制图 | 第23-25页 |
| ·基于MYT 正交分解的故障诊断方法 | 第25-29页 |
| ·MYT 正交分解法 | 第25-27页 |
| ·分解项的判定界限 | 第27-28页 |
| ·诊断步骤 | 第28-29页 |
| ·基于主成分分析的故障诊断方法 | 第29-33页 |
| ·PCA 模型的建立 | 第29-31页 |
| ·SPE 统计量和HotellingT~2 统计量及其对应的控制限 | 第31页 |
| ·主成分得分图 | 第31-32页 |
| ·贡献图 | 第32页 |
| ·基于主成分分析的故障诊断步骤 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 基于领域知识的因果贝叶斯网络的构建 | 第34-43页 |
| ·领域知识的概念 | 第34-35页 |
| ·贝叶斯网络 | 第35-37页 |
| ·贝叶斯网络的组成 | 第35-36页 |
| ·贝叶斯网络的条件独立性假设 | 第36-37页 |
| ·网络结构学习 | 第37-42页 |
| ·基于条件独立性检验的贝叶斯网络结构学习 | 第37页 |
| ·基于领域知识的贝叶斯网络结构学习 | 第37-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于贝叶斯网络与T~2分解法的故障诊断 | 第43-56页 |
| ·基于贝叶斯网络的多元线性回归模型 | 第43-46页 |
| ·基于贝叶斯网络的T~2 分解诊断方法 | 第46-49页 |
| ·分解方式的统一 | 第46-48页 |
| ·分解项的求解及其判定界限的确定 | 第48-49页 |
| ·基于贝叶斯网络与T~2 分解法的故障诊断步骤 | 第49-50页 |
| ·实例分析 | 第50-55页 |
| ·模型建立 | 第51-52页 |
| ·故障检测 | 第52-53页 |
| ·故障识别 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 基于贝叶斯网络与T~2分解法的故障诊断效果 | 第56-72页 |
| ·诊断效果分析 | 第56-67页 |
| ·基于单变量控制图的诊断结果 | 第59-62页 |
| ·基于主成分分析的诊断结果 | 第62-66页 |
| ·基于MYT 正交分解的诊断结果 | 第66-67页 |
| ·基于贝叶斯网络与T~2 分解法的诊断结果 | 第67页 |
| ·诊断结果比较 | 第67-68页 |
| ·基于仿真实验的诊断准确性比较 | 第68-71页 |
| ·本章小结 | 第71-72页 |
| 第六章 结论与展望 | 第72-74页 |
| ·结论 | 第72页 |
| ·展望 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 攻读学位期间发表的学术论文目录 | 第80页 |