基于大数据的多尺度状态监测方法及应用
| 摘要 | 第1-7页 |
| Abstract | 第7-14页 |
| 第一章 绪论 | 第14-26页 |
| ·研究背景及意义 | 第14-17页 |
| ·国内外状态监测技术研究现状 | 第17-24页 |
| ·状态监测体系结构的构建 | 第17-18页 |
| ·状态监测方法的研究 | 第18-24页 |
| ·论文的主要内容及结构安排 | 第24-26页 |
| ·论文主要内容 | 第24页 |
| ·论文结构安排 | 第24-26页 |
| 第二章 状态监测基本理论方法 | 第26-41页 |
| ·基于数据的建模方法 | 第26-30页 |
| ·神经网络 | 第26-28页 |
| ·支持向量机 | 第28-30页 |
| ·相关分析 | 第30-31页 |
| ·小波变换 | 第31-37页 |
| ·小波变换及自适应时频窗 | 第32-34页 |
| ·多分辨分析 | 第34-35页 |
| ·Mallat算法 | 第35-37页 |
| ·信息融合与卡尔曼滤波 | 第37-40页 |
| ·卡尔曼滤波 | 第37-38页 |
| ·扩展卡尔曼滤波 | 第38页 |
| ·无迹卡尔曼滤波 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第三章 基于大数据的多尺度状态监测方法 | 第41-64页 |
| ·工业过程大数据的特点 | 第41-44页 |
| ·工业过程大数据的特点 | 第41-44页 |
| ·研究基于大数据方法的意义 | 第44页 |
| ·多尺度系统的定义 | 第44-49页 |
| ·理想多尺度系统的定义 | 第44-46页 |
| ·实际系统的多尺度特性 | 第46-47页 |
| ·尺度熵与尺度(?) | 第47-49页 |
| ·研究对象的数学描述 | 第49-51页 |
| ·基于大数据的多尺度状态监测方法 | 第51-62页 |
| ·数据预处理 | 第52-53页 |
| ·基准模型的建立 | 第53-57页 |
| ·残差及其信息粒化 | 第57-59页 |
| ·单一信息粒的异步信息融合 | 第59-60页 |
| ·融合残差的多尺度分析 | 第60-61页 |
| ·状态监测参数的构建 | 第61-62页 |
| ·本章小结 | 第62-64页 |
| 第四章 磨煤机磨辊磨损监测 | 第64-86页 |
| ·磨辊磨损过程机理分析 | 第64-65页 |
| ·磨辊磨损过程的多尺度特性 | 第65-66页 |
| ·磨辊磨损的状态监测 | 第66-83页 |
| ·状态监测基准模型 | 第68-74页 |
| ·残差的信息粒化与信息融合 | 第74-76页 |
| ·融合残差的多尺度分析 | 第76-80页 |
| ·磨辊磨损指数的构建 | 第80-83页 |
| ·磨辊磨损指数的预测 | 第83-84页 |
| ·本章小结 | 第84-86页 |
| 第五章 锅炉辐射受热面灰污监测 | 第86-97页 |
| ·辐射受热面灰污过程机理分析 | 第86-88页 |
| ·辐射受热面灰污的多尺度特性 | 第88-89页 |
| ·辐射受热面灰污状态监测 | 第89-96页 |
| ·状态监测基准模型 | 第89-91页 |
| ·残差的信息粒化及信息融合 | 第91-93页 |
| ·辐射受热面灰污指数的构建 | 第93-96页 |
| ·本章小结 | 第96-97页 |
| 第六章 结论与展望 | 第97-99页 |
| ·结论 | 第97-98页 |
| ·后续工作展望 | 第98-99页 |
| 参考文献 | 第99-107页 |
| 攻读博士学位期间发表的论文及其它成果 | 第107-108页 |
| 攻读博士学位期间参加的科研工作 | 第108-109页 |
| 致谢 | 第109-110页 |
| 作者简介 | 第110页 |
