復雜工業(yè)過程的故障診斷

第1章　緒論
1.1 故障檢測技術(shù)簡介
1.1.1 故障的含義
1.1.2 故障檢測的分類
1.2 工業(yè)過程故障診斷方法
1.2.1 基于數(shù)學模型的方法
1.2.2 基于信號處理的方法
1.2.3 基于知識的方法
1.2.4 基于數(shù)據(jù)的方法
1.3 故障診斷方法的研究現(xiàn)狀
1.3.1 基于模型的方法
1.3.2 基于信號處理的方法
1.3.3 基于知識的方法
1.3.4 基于數(shù)據(jù)的故障診斷
1.4 近年來的新理論
1.4.1 基于數(shù)據(jù)的故障診斷
1.4.2 基于知識的故障預測
1.4.3 基于模型的故障調(diào)節(jié)
參考文獻
第2章　基于數(shù)據(jù)的故障診斷方法
2.1 預備知識
2.1.1 主元分析方法
2.1.2 獨立元分析方法
2.2 核主元分析方法
2.2.1 KPCA算法
2.2.2 基于KPCA的故障檢測
2.3 改進的核主元方法
2.3.1 特征空間的k均值聚類
2.3.2 基于重構(gòu)的非線性故障辨識方法
2.3.3 仿真結(jié)果
2.4 核獨立元分析方法
2.4.1 KICA算法
2.4.2 基于核獨立元分析的故障檢測
2.5 改進的核獨立元分析方法
2.5.1 相似性分析
2.5.2 故障診斷
2.5.3 實例
參考文獻
第3章　基于知識的故障預測
3.1 模糊邏輯系統(tǒng)
3.1.1 模糊性
3.1.2 模糊集合與隸屬函數(shù)
3.1.3 模糊集合的運算
3.1.4 模糊語言變量
3.1.5 模糊邏輯系統(tǒng)
3.1.6 模糊規(guī)則庫
3.1.7 模糊推理機
3.1.8 模糊化和反模糊化
3.2 人工神經(jīng)網(wǎng)絡(luò)技術(shù)
3.2.1 人工神經(jīng)網(wǎng)絡(luò)的神經(jīng)元模型
3.2.2 神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)
3.2.3 ELM學習算法
3.3 仿真實例
3.4 模糊神經(jīng)網(wǎng)絡(luò)模型
3.4.1 模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的連接方式
3.4.2 模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的比較
3.4.3 模糊神經(jīng)網(wǎng)絡(luò)的構(gòu)造
3.5 故障診斷
3.6 學習樣本組織
3.7 模糊神經(jīng)網(wǎng)絡(luò)的訓練與仿真
3.8 故障預測
3.8.1 本節(jié)的故障預測及診斷方法的步驟
3.8.2 實例研究
參考文獻
第4章　基于模型的容錯控制
4.1 狀態(tài)觀測器
4.2 魯棒故障診斷
4.3 故障調(diào)節(jié)
4.4 非線性系統(tǒng)的故障補償
4.5 實例研究--發(fā)酵過程介紹
參考文獻
第5章　網(wǎng)絡(luò)控制系統(tǒng)的故障診斷
5.1 網(wǎng)絡(luò)控制系統(tǒng)
5.2 網(wǎng)絡(luò)控制系統(tǒng)的研究狀況
5.2.1 網(wǎng)絡(luò)延遲
5.2.2 丟包問題
5.2.3 多通道傳輸
5.3 連續(xù)控制對象模型的離散化
5.3.1 不帶延時的連續(xù)控制對象模型的離散化
5.3.2 包含延時的連續(xù)控制對象模型的離散化
5.4 網(wǎng)絡(luò)控制系統(tǒng)的數(shù)學模型
5.4.1 網(wǎng)絡(luò)控制系統(tǒng)的建模
5.4.2 單包傳輸
5.4.3 單包數(shù)據(jù)包丟失
5.4.4 多包傳輸
5.4.5 多包傳輸數(shù)據(jù)包丟失
5.5 網(wǎng)絡(luò)控制系統(tǒng)數(shù)學模型的建立
5.5.1 無記憶降階狀態(tài)觀測器的設(shè)計思想
5.5.2 無記憶降階觀測器的設(shè)計
5.6 殘差的產(chǎn)生和故障檢測
5.6.1 殘差的產(chǎn)生
5.6.2 分析殘差
5.7 仿真實例
參考文獻
結(jié)束語