声明
摘要
第1章 绪论
1.1 课题研究目的与意义
1.2 基于数据驱动的故障诊断方法概况
1.2.1 故障诊断主要方法
1.2.2 基于数据驱动的故障诊断方法
1.2.3 基于支持向量机的故障诊断方法研究概况
1.3 调节阀故障诊断研究综述
1.3.1 调节阀常见故障类型
1.3.2 调节阀故障诊断方法国内外研究概况
1.3.3 基于数据驱动的调节阀故障诊断的关键问题及拟解决方法
1.4 论文的主要内容与体系结构
第2章 调节阀故障诊断方法理论基础
2.1 统计学习基本理论
2.2 支持向量机分类
2.2.1 支持向量机二分类
2.2.2 常用支持向量机多分类方法
2.3 支持向量机回归
2.4 最小二乘支持向量机
2.5 调节阀流体动力学模型
2.6 本章小结
第3章 调节阀故障模拟试验
3.1 故障类型设置
3.2 试验系统设计
3.2.1 调节阀采样参数的选择
3.2.2 试验平台气路设计
3.2.3 试验平台电气回路
3.2.4 数据采集与诊断软件系统设计
3.3 故障模拟试验方法
3.3.1 泄漏故障模拟
3.3.2 卡堵故障模拟
3.3.3 故障状态下故障特征与输入参数的关系
3.4 本章小结
第4章 调节阀LS-SVM回归模型及其参数优化方法研究
4.1基于 LS-SVM回归的调节阀预测模型
4.1.1 调节阀LS-SVM模型
4.1.2 调节阕LS-SVM模型最优输入特征向量优选试验
4.2基于果蝇算法的LS-SVM参数优化方法
4.2.1 LS-SVM参数对预测性能的影响
4.2.2 果蝇优化算法基本原理
4.2.3 基于果蝇优化算法的Ls.sVM参数优化步骤
4.3 果蝇优化算法在调节阀压力预测中的应用
4.3.1 试验数据样本
4.3.2 试验结果
4.4 本章小结
第5章 调节阀LS-SVM与Hammerstein集成预测模型
5.1 基于LS-SVM的Hammerstein辨识
5.1.1 Hammerstein模型基本结构
5.1.2 基于LS-SVM的非线性MISO Hammerstein模型
5.2 调节阀集成故障预测模型的建立与评估
5.2.1 建模过程
5.2.2 模型预测结果分析
5.2.3 与其他模型预测性能对比
5.3 预测模型小波去噪处理
5.3.1 调节阀集成预测模型噪声敏感性分析
5.3.2 小波去噪基本原理
5.3.3 小波去嗓试验结果
5.4 本章小结
第6章 基于残差控制图的调节阀故障检测方法
6.1 各类故障状态预测模型输出
6.2 基于残差控制图的故障检测方法
6.2.1 残差控制图
6.2.2 残差控制图故障检测应用
6.3 基于残差控制图的故障检测规则库
6.4 本章小结
第7章 调节阀故障分离及故障诊断系统实现
7.1 样本异常数据清洗方法
7.1.1 异常样本对LS-SVM分类的影响
7.1.2 基于LS-SVM分类的异常数据清洗方法
7.1.3 基于改进局部离群因子的异常数据清洗方法
7.2 调节阀故障分类异常数据清洗的应用
7.2.1 调节阀异常数据清洗流程
7.2.2 基于LS-SVM分类的参照集异常数据清洗
7.2.3 基于MDLOF的训练集与测试集异常数据清洗
7.3 基于滑动窗口技术的调节阀综合故障诊断系统
7.3.1 滑动窗口技术简介
7.3.2 基于滑动窗口的调节阀故障诊断流程
7.3.3 应用结果及分析
7.4 本章小结
结论与展望
附录
参考文献
致谢
攻读博士期间发表的论文及科研情况