基于頻譜數(shù)據(jù)驅(qū)動的旋轉(zhuǎn)機械設(shè)備負荷軟測量

第1章 緒論
1.1 引言
1.2 軟測量技術(shù)的研究現(xiàn)狀
1.2.1 軟測量技術(shù)簡介
1.2.2 特征提取與特征選擇
1.2.3 選擇性集成建模
1.2.4 在線集成建模
1.3 旋轉(zhuǎn)機械設(shè)備負荷檢測方法的研究現(xiàn)狀
1.3.1 研磨機理數(shù)值仿真與筒體振動分析
1.3.2 儀表檢測方法
1.3.3 數(shù)據(jù)驅(qū)動軟測量方法
1.3.4 存在問題
第2章 復雜工業(yè)過程旋轉(zhuǎn)機械設(shè)備負荷特性分析
2.1 引言
2.2 復雜工業(yè)過程旋轉(zhuǎn)機械設(shè)備負荷描述
2.2.1 工藝過程描述
2.2.2 負荷與負荷參數(shù)
2.2.3 負荷參數(shù)與工業(yè)過程生產(chǎn)率
2.3 旋轉(zhuǎn)機械設(shè)備負荷的專家識別過程描述
2.4 旋轉(zhuǎn)機械設(shè)備負荷的特性分析
2.4.1 工作機理
2.4.2 筒體振動分析
2.4.3 振聲分析
2.4.4 電流分析
2.4.5 軟測量模型輸入輸出關(guān)系
2.5 旋轉(zhuǎn)機械設(shè)備負荷軟測量模型的難點分析
第3章 基于簡體振動頻譜的特征選擇與特征提取方法及其應(yīng)用
3.1 引言
3.2 隨機振動信號處理
3.2.1 振動信號的時域分析
3.2.2 振動信號的頻域分析
3.3 維數(shù)約簡與軟測量模型輸入特征選擇
3.3.1 基于主元分析（PCA）／核PCA（KPCA）的特征提取方法
3.3.2 基于互信息（MI）的特征選擇方法
3.3.3 支持向量機（SVM）模型的輸入特征選擇
3.3.4 上述特征提取與特征選擇方法的局限性
3,4旋轉(zhuǎn)機械振動頻譜特征提取與特征選擇及其應(yīng)用
3.4.1 基于組合優(yōu)化的特征提取與特征選擇策略
3.4.2 基于組合優(yōu)化的特征提取與特征選擇方法
3.4.3 算法步驟
3.4.4 實驗研究
第4章 基于頻譜數(shù)據(jù)驅(qū)動的旋轉(zhuǎn)機械設(shè)備負荷選擇性集成建模及其應(yīng)用
4.1 引言
4.2 選擇集成建模與多傳感器信息優(yōu)化融合
4.2.1 神經(jīng)網(wǎng)絡(luò)集成理論框架
4.2.2 基于遺傳算法的神經(jīng)網(wǎng)絡(luò)選擇性集成（GASEN）
4.2.3 特征選擇與選擇性集成建模
4.2.4 基于自適應(yīng)加權(quán)融合（AWF）算法的多傳感器信息融合
4.2.5 選擇性多源信息融合
4.3 基于偏最小二乘（PLS）/核PLS（KPLS）的集成建模方法及存在的問題
4.3.1 基于PLS/KPLS的集成建模方法
4.3.2 PLS/KPLS集成建模方法存在的問題
4.4 基于簡體振動頻譜的旋轉(zhuǎn)機械設(shè)備負荷參數(shù)集成建模
4.4.1 基于筒體振動頻譜的集成建模策略
4.4.2 基于簡體振動頻譜的集成建模算法
4.4.3 實驗研究
4.5 基于選擇性集成多傳感器頻譜特征的旋轉(zhuǎn)機械設(shè)備負荷參數(shù)軟測量
4.5.1 基于選擇性集成多傳感器頻譜特征的建模策略
4.5.2 基于選擇性集成多傳感器頻譜特征的建模算法
4.5.3 建模步驟
4.5.4 實驗研究
4.6 基于經(jīng)驗?zāi)B(tài)分解（EMD）和選擇性集成學習的旋轉(zhuǎn)機械設(shè)備負荷參數(shù)軟測量
4.6.1 基于EMD和選擇性集成學習的建模策略
……
第5章 基于頻譜數(shù)據(jù)驅(qū)動的旋轉(zhuǎn)機械設(shè)備負荷參數(shù)在線集成建模及其應(yīng)用
參考文獻