基于智能信號處理方法的全量程氫氣檢測系統(tǒng)研究

第1章 緒論
1．1 課題背景及研究目的和意義
1．1．1 背景
1．1．2 研究目的和意義
1．2 國內外研究現(xiàn)狀分析
1．2．1 全量程氫氣檢測的研究現(xiàn)狀
1．2．2 集成檢測微系統(tǒng)的研究現(xiàn)狀
1．2．3 氣體傳感器故障檢測、恢復及診斷技術的研究現(xiàn)狀
1．3 論文的主要研究內容及結構安排
第2章 智能信號處理方法理論基礎
2．1 引言
2．2 機器學習的基本思想及貝葉斯理論
2．2．1 機器學習的基本思想
2．2．2 貝葉斯理論
2．3 RBF神經網絡基本理論
2．4 ．支持向量機基本理論
2．5 相關向量機基本理論
2．5．1 回歸模型
2．5．2 分類模型
2．5．3 核函數(shù)的選擇
2．5．4 RVM決策函數(shù)復雜度分析
2．6 相關向量機與支持向量機對比分析
2．7 本章小結
第3章 全量程氫氣檢測微系統(tǒng)敏感芯片設計
3．1 引言
3．2 全量程氫氣檢測微系統(tǒng)敏感芯片工作原理
3．2．1 半導體式敏感芯片工作原理
3．2．2 熱導式敏感芯片的工作原理
3．2．3 催化燃燒式敏感芯片的工作原理
3．3 全量程氫氣檢測微系統(tǒng)敏感芯片有限元仿真分析
3．3．1 加熱電阻結構對溫度云圖的影響
3．3．2 基底厚度對溫度云圖的影響
3．3．3 加熱電壓對溫度云圖的影響
3．3．4 多溫度場耦合模型及計算方法
3．3．5 熱串擾分析及隔熱設計
3．4 全量程氫氣檢測微系統(tǒng)敏感芯片結構設計
3．5 本章小結
第4章 全量程氫氣檢測微系統(tǒng)氫氣濃度測量方法
4．1 引言
4．2 氫氣濃度標定實驗系統(tǒng)設計
4．2．1 標定實驗系統(tǒng)建立
4．2．2 實驗步驟及各標定點數(shù)據(jù)獲取
4．2．3 標定樣本選取與方案優(yōu)化
4．3 基于RvM的小樣本標定數(shù)據(jù)下氫氣濃度全量程測量方法
4．3．1 基于小生境粒子群算法的RVM參數(shù)優(yōu)化
4．3．2 基于RVM回歸的全量程氫氣濃度測量方法及實驗分析
4．4 本章小結
第5章 全量程氫氣檢測微系統(tǒng)故障檢測與恢復方法
5．1 引言
5．2 常見故障類型分析
5．2．1 常見故障類型
5．2．2 故障數(shù)據(jù)的仿真
5．3 基于數(shù)理統(tǒng)計方法的故障檢測
5．4 基于RvM的故障恢復方法
5．5 本章小結
第6章 全量程氫氣檢測微系統(tǒng)故障診斷方法
6．1 引言
6．2 基于小波奇異熵和相關向量機的故障診斷
6．2．1 基于小波奇異熵的故障信號特征提取原理
6．2．2 RVM故障診斷方法
6．3 基于知識推送的專家系統(tǒng)故障診斷
6．3．1 基于知識推送的專家系統(tǒng)設計
6．3．2 實驗驗證
6．4 基于RVM與基于專家系統(tǒng)的故障診斷方法對比分析
6．5 本章小結
結論
參考文獻