导读:本文包含了子时段论文开题报告文献综述及选题提纲参考文献，主要关键词:间歇过程,主成分分析,支持向量机,二叉树
子时段论文文献综述
薛攀娜[1]（2016）在《基于子时段MPCA-SVM的间歇过程故障诊断研究》一文中研究指出由于间歇过程具有高附加值、小批量、多品种、系列化等特点,所以间歇过程被广泛应用于与人们息息相关的生物制药、食品加工、染料和香料制造等领域。为了保证产品的质量和减少生产过程中的损失,对于间歇过程而言首当其冲的应是拥有安全稳定的生产过程,因此对间歇过程进行在线故障诊断研究显得尤为重要。但间歇过程具有时段特性、强非线性等特点,使得对其进行故障诊断研究困难重重。本课题针对间歇过程的多时段特点以及间歇过程数据样本内和样本间的可分性信息,研究以支持向量机(Support Vector Machine,SVM)为核心的故障诊断方法,主要做了以下几方面研究:(1)实现一种改进的基于MPCA的间歇过程时段划分方法多时段特性是间歇过程的固有特性,传统的基于MPCA的时段划分方法,只选用了负载矩阵的角度信息作为相似性判据,而忽略了距离信息对负载矩阵相似性的影响,这容易造成时段划分不准确。基于此,本文将负载矩阵的角度信息与距离信息相结合,构造一种改进的负载矩阵相似性判据公式来对间歇过程进行精确的时段划分。最后,将基于该改进的MPCA时段划分方法与SVM故障诊断结合,通过青霉素发酵过程仿真系统进行验证,并与不分时段建立的SVM故障诊断模型的方法相比较,结果指出通过该方法划分的时段能够建立更加精确的故障诊断模型。(2)研究一种改进的二叉树SVM方法传统二叉树SVM多分类器方法没有考虑具体研究对象数据样本可分性的信息,任意地对分类层次进行界定,但是二叉树SVM多分类器分类层次的判定决定着整个分类过程的效果。基于此,本文针对间歇过程样本数据特点,依据同一类样本相对聚集而不同类样本相距较远的原则,构造一种新的样本可分性的测度公式来判定分类的层次,最终研究一种适合间歇过程的改进的二叉树SVM的多分类器构造方法。本文将此方法应用于青霉素发酵过程仿真系统中,结果表明该方法可以明显的改善传统二叉树多分类器的性能。(3)提出基于子时段MPCA-SVM的间歇过程在线故障诊断方法研究内容(1)和(2)对间歇过程的离线故障诊断方法进行了深入研究,然而对间歇过程的故障进行在线诊断更具有实际应用价值。若要实现在线诊断,则必须首先引入一种在线故障监测方法。为此,提出一种基于子时段MPCA-SVM的间歇过程在线故障诊断方法。该方法首先利用改进的MPCA时段划分方法对间歇过程进行时段划分,并在每个时段建立MPCA过程监控模型对当前间歇反应过程进行在线故障监测;再在每个时段内建立改进的二叉树SVM故障诊断模型对当前间歇过程发生的故障进行在线故障诊断。通过青霉素发酵仿真平台对该方法进行实验验证,并与不分时段SVM的在线故障诊断方法进行比较,结果表明本文方法可以明显地提高故障诊断的准确率。(4)大肠杆菌发酵过程故障诊断研究采用北京某生物制药厂提供的重组大肠杆菌制备白介素-2发酵过程数据,对本文所提出的基于子时段MPCA-SVM的间歇过程在线故障诊断方法进行实验验证。实验结果表明,在充分考虑发酵过程多时段特性和发酵过程数据可分性信息下,本文提出的方法可以明显地提高故障诊断的准确率,进而可减少事故的发生,最终为人类带来福利。(本文来源于《北京工业大学》期刊2016-05-01）
高学金,薛攀娜,齐咏生,王普[2]（2016）在《基于子时段MPCA-SVM的间歇过程在线故障诊断》一文中研究指出针对基于支持向量机(Support Vector Machine,SVM)的间歇过程故障诊断准确率低的问题,结合间歇过程的时段特性,提出了一种基于子时段MPCA-SVM的间歇过程在线故障诊断方法。首先,利用多向主成分分析(Multi-way principal component analysis,MPCA)提取出间歇过程正常运行状态下的每个采样点的主成分,将相邻的且具有相同主成分个数的采样点归到同一粗划分时段内,再在每一个粗时段内利用相邻采样点的负载矩阵的角度信息作为相似性判据来细化分时段;其次,对每个时段建立MPCA在线过程监测模型,同时,利用MPCA提取每个时段内各个类型故障的特征,并用特征数据建立SVM故障诊断模型;最后,MPCA监测模型实施监测功能,当检测到故障时,相应时段的SVM故障诊断模型进行诊断。将该方法应用于青霉素发酵过程仿真平台进行验证,该方法相比于不分时段的SVM的故障诊断方法,平均可提高故障诊断准确率11%,实验结果表明了该方法的有效性和可行性。(本文来源于《计算机与应用化学》期刊2016年04期）
郭小萍,赵文丹,李元[3]（2010）在《基于子时段LS-SVM的PVC树脂颗粒质量预测》一文中研究指出针对聚合过程多阶段、高度非线性和质量测量值不能在线获得等特点,本文采用基于阶段的最小二乘支持向量机(LS-SVM)对PVC树脂颗粒平均粒径进行预测研究,首先采用分类算法对叁维数据空间时间片PCA负载矩阵进行分析,根据相关性变化把过程划分为几个子时段,然后确定与质量变量密切相关的阶段,在确定的阶段内用相关分析确定互不相关的变量作为模型输入,再采用LS-SVM方法建立质量预测模型,所采用方法能克服传统方法所建模型的单一性及不能有效提取过程的非线性等缺点,应用结果表明了该方法的有效性。(本文来源于《第二十九届中国控制会议论文集》期刊2010-07-29）
郭小萍,赵文丹,李元[4]（2009）在《基于子时段LS-SVM的间歇过程质量预测》一文中研究指出针对多阶段复杂非线性间歇过程,提出一种基于子时段LS-SVM的非线性质量预测方法,首先,采用分类算法对间歇过程叁维数据矩阵的时间片PCA负载矩阵进行分析,根据相关性分析把间歇过程划分为几个子时段,其次在子阶段内再利用相关分析确定互不相关的变量作为模型输入,然后采用LS-SVM方法建立子时段质量预测模型,解决常规MPLS建模方法在工业应用过程中存在的几个潜在问题:(1)静态单一模型;(2)模型失配问题:(3)MPLS线性方法不能充分有效压缩和抽取非线性过程信息.通过在注塑过程的成功应用,表明了所提出方法的可行性和有效性.(本文来源于《2009中国控制与决策会议论文集（3）》期刊2009-06-17）
胡学发,王姝,王福利,何大阔[5]（2009）在《基于子时段递推MFDA的水压机故障诊断方法》一文中研究指出压力试验成为钢管生产过程中必需的质量检测环节,对钢管质量检验起着重要作用。为了快速对水压试验过程的故障进行诊断,本文提出了基于子时段递推多向Fisher判别分析的故障诊断方法。该方法根据不同故障在不同时段有不同表征的特点,将水压机生产过程分成多个子时段,对每个子时段的数据分别建立MFDA模型。此外,结合递推思想,将3个时段的诊断结果密切结合以提高诊断精度。采用水压试验机实际生产过程的四个锁阀故障数据对该方法进行测试,结果验证了该方法的有效性。(本文来源于《仪器仪表学报》期刊2009年02期）
肖冬,潘孝礼,毛志忠,王福利[6]（2008）在《基于步进均值子时段MPLS的荒管质量预测模型研究》一文中研究指出针对无缝钢管连轧生产中衡量荒管质量好坏的横向和纵向壁厚不均检验滞后和难以建立其机理模型的问题,提出了基于步进均值子时段MPLS方法的荒管质量预报模型.介绍了步进均值子时段MPLS方法中过程数据时段分解、均值求取、回归模型建立和模型在线预报等关键内容.将建立的预报模型用于荒管质量预报中,为提高连轧生产的无缝钢管质量奠定了良好的基础.其实时性良好,可靠性和精度高,可用于荒管质量的在线预报和优化.(本文来源于《控制与决策》期刊2008年04期）
潘孝礼,肖冬,毛志忠,常玉清,王福利[7]（2008）在《基于均值子时段MPLS方法的毛管质量预报》一文中研究指出针对无缝钢管斜轧穿孔生产中衡量毛管质量好坏的毛管横向和纵向壁厚不均检验滞后和难以建立其机理模型的问题,提出了基于均值子时段MPLS方法的毛管质量预报模型。介绍了均值子时段MPLS方法中过程数据时段分解、均值求取、回归模型建立和模型在线预报等关键内容。将建立的预报模型用于毛管质量预报中,为斜轧穿孔生产的无缝钢管质量提高奠定了良好的基础,并且其维护费用低、实时性好、可靠性及精度高,可以用于毛管质量的在线预报和优化。(本文来源于《系统仿真学报》期刊2008年07期）
肖冬,潘孝礼,毛志忠,贾明兴,王福利[8]（2007）在《基于步进子时段MICR方法的毛管质量预报》一文中研究指出无缝钢管穿孔生产是利用穿孔机将实心管坯斜轧穿孔成空心毛管的生产过程。斜轧穿孔中毛管质量与许多工艺参数,如辊型、送进角、顶头前伸量及温度,以及设备性能参数如穿孔机刚度、加工精度和顶杆振动等有关。由于其具有复杂的金属流动状态,传统的轧制理论难以解决其质量预报问题。本文通过对斜轧穿孔过程的分析,提出了步进子时段MICR(multiway independent component regression)算法,利用现场采集的多根毛管生产数据建立了预测毛管质量的数学模型。经仿真证明该模型具有较高的可靠性和精度,可以用于毛管质量的在线预报和优化。(本文来源于《仪器仪表学报》期刊2007年12期）
郭小萍,王福利,贾明兴[9]（2007）在《注塑过程子时段动态非线性质量预测》一文中研究指出针对注塑间歇过程多阶段、缓慢时变、非线性和质量变量测量值不能在线获得等特点,提出子时段滑动窗口广义回归神经网络质量预测方法,首先,采用分类算法对叁维数据矩阵的时间片PCA负载矩阵进行分析,根据相关性分析把注塑过程划分为几个子时段,然后确定与重量密切相关的阶段,在确定的阶段内采用滑动窗口建立GRNN多模型,解决常规MPLS在工业应用过程中存在的几个潜在问题:(1)静态单一模型;(2)模型失配问题;(3)MPLS线性方法不能充分有效压缩和抽取非线性过程信息;(4)估计未来测量变量所引进的模型偏差。所提方法与子时段滑动窗口MPLS方法进行仿真比较。结果证明了所提方法的有效性。(本文来源于《系统仿真学报》期刊2007年12期）
郭小萍,王福利,贾明兴[10]（2005）在《基于滑动窗PCA的诺西肽发酵过程子时段划分和在线监测》一文中研究指出本文提出一种滑动窗口PCA(主元分析)子时段划分和在线监测方法以及一种新的子时段模型更新策略。通过分析过程相关性的变化进行子时段的划分,增进对过程的理解,可以估计生产状况,进而为将来的优化控制奠定一定的基础。采用二维PCA模型的在线监测算法不需要预先估计未来测量值,而且能有效地进行过程监视。在一个实际诺西肽发酵过程(一个典型的多操作阶段间歇过程)中的成功应用,验证了该方法的有效性。(本文来源于《第二十四届中国控制会议论文集（下册）》期刊2005-07-01）
子时段论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对基于支持向量机(Support Vector Machine,SVM)的间歇过程故障诊断准确率低的问题,结合间歇过程的时段特性,提出了一种基于子时段MPCA-SVM的间歇过程在线故障诊断方法。首先,利用多向主成分分析(Multi-way principal component analysis,MPCA)提取出间歇过程正常运行状态下的每个采样点的主成分,将相邻的且具有相同主成分个数的采样点归到同一粗划分时段内,再在每一个粗时段内利用相邻采样点的负载矩阵的角度信息作为相似性判据来细化分时段;其次,对每个时段建立MPCA在线过程监测模型,同时,利用MPCA提取每个时段内各个类型故障的特征,并用特征数据建立SVM故障诊断模型;最后,MPCA监测模型实施监测功能,当检测到故障时,相应时段的SVM故障诊断模型进行诊断。将该方法应用于青霉素发酵过程仿真平台进行验证,该方法相比于不分时段的SVM的故障诊断方法,平均可提高故障诊断准确率11%,实验结果表明了该方法的有效性和可行性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
子时段论文参考文献
[1].薛攀娜.基于子时段MPCA-SVM的间歇过程故障诊断研究[D].北京工业大学.2016
[2].高学金,薛攀娜,齐咏生,王普.基于子时段MPCA-SVM的间歇过程在线故障诊断[J].计算机与应用化学.2016
[3].郭小萍,赵文丹,李元.基于子时段LS-SVM的PVC树脂颗粒质量预测[C].第二十九届中国控制会议论文集.2010
[4].郭小萍,赵文丹,李元.基于子时段LS-SVM的间歇过程质量预测[C].2009中国控制与决策会议论文集（3）.2009
[5].胡学发,王姝,王福利,何大阔.基于子时段递推MFDA的水压机故障诊断方法[J].仪器仪表学报.2009
[6].肖冬,潘孝礼,毛志忠,王福利.基于步进均值子时段MPLS的荒管质量预测模型研究[J].控制与决策.2008
[7].潘孝礼,肖冬,毛志忠,常玉清,王福利.基于均值子时段MPLS方法的毛管质量预报[J].系统仿真学报.2008
[8].肖冬,潘孝礼,毛志忠,贾明兴,王福利.基于步进子时段MICR方法的毛管质量预报[J].仪器仪表学报.2007
[9].郭小萍,王福利,贾明兴.注塑过程子时段动态非线性质量预测[J].系统仿真学报.2007
[10].郭小萍,王福利,贾明兴.基于滑动窗PCA的诺西肽发酵过程子时段划分和在线监测[C].第二十四届中国控制会议论文集（下册）.2005