基于频谱数据驱动的旋转机械设备负荷软测量

　　面对磨矿过程磨机负荷检测这一难题，《基于频谱数据驱动的旋转机械设备负荷软测量》的主题思想是面对多源频谱数据特征，在机理知识难以清晰明确获得的情况下，基于选择性集成学习技术实现最优多源信息融合并对融合模型进行更新研究，即借助机器学习技术实现多传感器信息融合。《基于频谱数据驱动的旋转机械设备负荷软测量》采用实验球磨机的实际运行数据进行了仿真实验。

暂缺《基于频谱数据驱动的旋转机械设备负荷软测量》作者简介

第1章 绪论
1.1 引言
1.2 软测量技术的研究现状
1.2.1 软测量技术简介
1.2.2 特征提取与特征选择
1.2.3 选择性集成建模
1.2.4 在线集成建模
1.3 旋转机械设备负荷检测方法的研究现状
1.3.1 研磨机理数值仿真与筒体振动分析
1.3.2 仪表检测方法
1.3.3 数据驱动软测量方法
1.3.4 存在问题
第2章 复杂工业过程旋转机械设备负荷特性分析
2.1 引言
2.2 复杂工业过程旋转机械设备负荷描述
2.2.1 工艺过程描述
2.2.2 负荷与负荷参数
2.2.3 负荷参数与工业过程生产率
2.3 旋转机械设备负荷的专家识别过程描述
2.4 旋转机械设备负荷的特性分析
2.4.1 工作机理
2.4.2 筒体振动分析
2.4.3 振声分析
2.4.4 电流分析
2.4.5 软测量模型输入输出关系
2.5 旋转机械设备负荷软测量模型的难点分析
第3章 基于简体振动频谱的特征选择与特征提取方法及其应用
3.1 引言
3.2 随机振动信号处理
3.2.1 振动信号的时域分析
3.2.2 振动信号的频域分析
3.3 维数约简与软测量模型输入特征选择
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）的特征选择方法
3.3.3 支持向量机（SVM）模型的输入特征选择
3.3.4 上述特征提取与特征选择方法的局限性
3,4旋转机械振动频谱特征提取与特征选择及其应用
3.4.1 基于组合优化的特征提取与特征选择策略
3.4.2 基于组合优化的特征提取与特征选择方法
3.4.3 算法步骤
3.4.4 实验研究
第4章 基于频谱数据驱动的旋转机械设备负荷选择性集成建模及其应用
4.1 引言
4.2 选择集成建模与多传感器信息优化融合
4.2.1 神经网络集成理论框架
4.2.2 基于遗传算法的神经网络选择性集成（GASEN）
4.2.3 特征选择与选择性集成建模
4.2.4 基于自适应加权融合（AWF）算法的多传感器信息融合
4.2.5 选择性多源信息融合
4.3 基于偏最小二乘（PLS）/核PLS（KPLS）的集成建模方法及存在的问题
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问题
4.4 基于简体振动频谱的旋转机械设备负荷参数集成建模
4.4.1 基于筒体振动频谱的集成建模策略
4.4.2 基于简体振动频谱的集成建模算法
4.4.3 实验研究
4.5 基于选择性集成多传感器频谱特征的旋转机械设备负荷参数软测量
4.5.1 基于选择性集成多传感器频谱特征的建模策略
4.5.2 基于选择性集成多传感器频谱特征的建模算法
4.5.3 建模步骤
4.5.4 实验研究
4.6 基于经验模态分解（EMD）和选择性集成学习的旋转机械设备负荷参数软测量
4.6.1 基于EMD和选择性集成学习的建模策略
……
第5章 基于频谱数据驱动的旋转机械设备负荷参数在线集成建模及其应用
参考文献